Tensorflow-基础使用

Tensorflow基本概念

• 使用图（graphs）来表示计算任务
• 在被称之为会话（Session）的上下文（context）中执行图
• 使用tensor表示数据
• 通过变量（Variable）维护状态
• 使用feed和fetch可以为任意的操作赋值或者从其中获取数据

Tensorflow是一个编程系统，使用图（graphs）来表示计算任务，图（graphs）中的节点称之为op
（operation），一个op获得0个或多个Tensor，执行计算，产生0个或多个Tensor。Tensor 看作是
一个 n 维的数组或列表。图必须在会话（Session）里被启动。

Tensorflow结构

创建图，启动图

#2-1 创建图，启动图
#创建一个常量op
m1=tf.constant([[3,3]])
#创建一个常量op
m2=tf.constant([[2],[3]])
#创建一个矩阵乘法op
product=tf.matmul(m1,m2)
print(product)

with tf.compat.v1.Session() as sess:

    # run(product)触发了图中的3个op
    result = sess.run(product)
    print(result)

结果为：

变量

#2-2变量
#创建一个变量初始化0
state=tf.Variable(0,name='counter')
#创建op，作用是使state加1
new_value=tf.add(state,1)
#赋值op
update=tf.compat.v1.assign(state,new_value)

with tf.compat.v1.Session() as sess:
    #变量初始化
    sess.run(tf.compat.v1.global_variables_initializer())
    print(sess.run(state))
    for _ in range(5):
        sess.run(update)
        print(sess.run(state))

输出为：

Fetch and Feed

#2-3Fetch and Feed
#Fetch
input1=tf.constant(3.0)
input2=tf.constant(2.0)
input3=tf.constant(5.0)

add=tf.add(input2,input3)
mul=tf.multiply(input1,add)

with tf.compat.v1.Session() as sess:
    result=sess.run([mul,add])
    print(result)

#Feed
#创建占位符
input1=tf.compat.v1.placeholder(tf.float32)
input2=tf.compat.v1.placeholder(tf.float32)
output=tf.multiply(input1,input2)

with tf.compat.v1.Session() as sess:
    #feed的数据以字典传入
    print(sess.run(output,feed_dict={input1:[7.],input2:[2.]}))

输出为：

线性模型

import numpy as np

#使用np生成100个随机点
x_data=np.random.rand(100)
y_data=x_data*0.1+0.2

#构造一个线性模型
b=tf.Variable(0.)
k=tf.Variable(0.)
y=k*x_data+b

#二次代价函数
loss=tf.reduce_mean(tf.square(y_data-y))
#定义一个梯度下降法来进行训练的优化器
optimizer=tf.compat.v1.train.GradientDescentOptimizer(0.2)

#最小化代价函数
train=optimizer.minimize(loss)

#对变量进行初始化
init=tf.compat.v1.global_variables_initializer()

with tf.compat.v1.Session() as sess:
    sess.run(init)
    for step in range(201):
        sess.run(train)
        if step%20==0:
            print(step,sess.run([k,b]))

输出为：