一、Tensorlow结构
-
import tensorflow
as tf
-
import numpy
as np
-
-
#创建数据
-
x_data = np.random.rand(
100).astype(np.float32)
-
y_data = x_data*
0.1+
0.3
-
-
#创建一个 tensorlow 结构
-
weights = tf.Variable(tf.random_uniform([
1],
-1.0,
1.0))
#一维，范围[-1,1]
-
biases = tf.Variable(tf.zeros([
1]))
-
-
y = weights*x_data + biases
-
-
loss = tf.reduce_mean(tf.square(y - y_data))
#均方差函数
-
-
#建立优化器，减少误差，提高参数准确度，每次迭代都会优化
-
optimizer = tf.train.GradientDescentOptimizer(
0.5)
#学习率为0.5（<1)
-
train = optimizer.minimize(loss)
#最小化损失函数
-
-
#初始化不变量
-
init = tf.global_variables_initializer()
-
-
with tf.Session()
as sess:
-
sess.run(init)
-
#train
-
for step
in range(
201):
-
sess.run(train)
-
if step %
20 ==
0:
-
print(step, sess.run(weights), sess.run(biases))
二、session的使用
-
import tensorflow
as tf
-
-
matrix1 = tf.constant([[
3,
3]])
-
matrix2 = tf.constant([[
2], [
2]])
-
-
product = tf.matmul(matrix1, matrix2)
-
-
#method1
-
sess = tf.Session()
-
result2 = sess.run(product)
-
print(result2)
-
-
#method2
-
# with tf.Session() as sess:
-
# result2 = sess.run(product)
-
# print(result2)
三、Variable的使用
-
import tensorflow
as tf
-
-
state = tf.Variable(
0, name =
'counter')
#变量初始化
-
# print(state.name)
-
one = tf.constant(
1)
-
new_value = tf.add(state, one)
-
#将state用new_value代替
-
updata = tf.assign(state, new_value)
-
-
#变量激活
-
init = tf.global_variables_initializer()
-
-
with tf.Session()
as sess:
-
sess.run(init)
-
for _
in range(
3):
-
sess.run(updata)
-
print(sess.run(state))
四、placeholder的使用
-
#给定type,tf大部分只能处理float32数据
-
input1 = tf.placeholder(tf.float32)
-
input2 = tf.placeholder(tf.float32)
-
-
output = tf.multiply(input1, input2)
-
-
with tf.Session()
as sess:
-
print(sess.run(output, feed_dict={input1:[
7.], input2:[
2.]}))
五、激活函数
六、添加层
-
import tensorflow
as tf
-
import numpy
as np
-
import matplotlib.pyplot
as plt
-
-
def add_layer(inputs, in_size, out_size, activation_function = None):
-
Weights = tf.Variable(tf.random_normal([in_size, out_size]))
#正态分布
-
biases = tf.Variable(tf.zeros([
1, out_size])+
0.1)
#1行，out_size列，初始值不推荐为0，所以加上0.1
-
Wx_plus_b = tf.matmul(inputs, Weights) + biases
#Weights*x+b的初始化值，也是未激活的值
-
-
#激活
-
-
if activation_function
is
None:
-
#如果没有设置激活函数，，则直接把当前信号原封不动的传递出去
-
outputs = Wx_plus_b
-
else:
-
#如果设置了激活函数，则由此激活函数对信号进行传递或抑制
-
outputs = activation_function(Wx_plus_b)
-
return outputs
七、创建一个神经网络
-
import tensorflow
as tf
-
import numpy
as np
-
import matplotlib.pyplot
as plt
-
-
def add_layer(inputs, in_size, out_size, activation_function = None):
-
Weights = tf.Variable(tf.random_normal([in_size, out_size]))
#正态分布
-
biases = tf.Variable(tf.zeros([
1, out_size])+
0.1)
#1行，out_size列，初始值不推荐为0，所以加上0.1
-
Wx_plus_b = tf.matmul(inputs, Weights) + biases
#Weights*x+b的初始化值，也是未激活的值
-
-
#激活
-
-
if activation_function
is
None:
-
#如果没有设置激活函数，，则直接把当前信号原封不动的传递出去
-
outputs = Wx_plus_b
-
else:
-
#如果设置了激活函数，则由此激活函数对信号进行传递或抑制
-
outputs = activation_function(Wx_plus_b)
-
return outputs
-
-
"""定义数据形式"""
-
#创建一列（相当于只有一个属性值），（-1，1）之间，有300个单位，后面是维度，x_data是有300行
-
x_data = np.linspace(
-1,
1,
300)[:, np.newaxis]
#np.linspace在指定间隔内返回均匀间隔数字
-
#加入噪声，均值为0，方差为0.05，形状和x_data一样
-
noise = np.random.normal(
0,
0.05, x_data.shape)
-
#定义y的函数为二次曲线函数，同时增加一些噪声数据
-
y_data = np.square(x_data) -
0.5 + noise
-
-
#定义输入值，输入结构的输入行数不固定，但列就是1列的值
-
xs = tf.placeholder(tf.float32, [
None,
1])
-
ys = tf.placeholder(tf.float32, [
None,
1])
-
-
"""建立网络"""
-
#定义隐藏层，输入为xs，输入size为1列，因为x_data只有一个属性值，输出size假定有10个神经元的隐藏层，激活函数relu
-
l1 = add_layer(xs,
1,
10, activation_function=tf.nn.relu)
-
#定义输出层，输出为l1输入size为10列，也就是l1的列数，输出size为1，这里的输出类似y_data，因此为1列
-
prediction = add_layer(l1,
10,
1,activation_function=
None)
-
-
"""预测"""
-
#定义损失函数为差值平方和的平均值
-
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[
1]))
-
-
"""训练"""
-
#进行逐步优化的梯度下降优化器，学习率为0.1，以最小化损失函数进行优化
-
train_step = tf.train.GradientDescentOptimizer(
0.1).minimize(loss)
-
#初始化模型所有参数
-
init = tf.global_variables_initializer()
-
-
#可视化
-
with tf.Session()
as sess:
-
sess.run(init)
-
-
for i
in range(
1000):
#学习1000次
-
sess.run(train_step, feed_dict={xs:x_data, ys:y_data})
-
if i%
50==
0:
-
print(sess.run(loss, feed_dict={xs:x_data, ys:y_data}))
-
八、可视化
-
import tensorflow
as tf
-
import numpy
as np
-
import matplotlib.pyplot
as plt
-
-
def add_layer(inputs, in_size, out_size, activation_function = None):
-
Weights = tf.Variable(tf.random_normal([in_size, out_size]))
#正态分布
-
biases = tf.Variable(tf.zeros([
1, out_size])+
0.1)
#1行，out_size列，初始值不推荐为0，所以加上0.1
-
Wx_plus_b = tf.matmul(inputs, Weights) + biases
#Weights*x+b的初始化值，也是未激活的值
-
-
#激活
-
-
if activation_function
is
None:
-
#如果没有设置激活函数，，则直接把当前信号原封不动的传递出去
-
outputs = Wx_plus_b
-
else:
-
#如果设置了激活函数，则由此激活函数对信号进行传递或抑制
-
outputs = activation_function(Wx_plus_b)
-
return outputs
-
-
"""定义数据形式"""
-
#创建一列（相当于只有一个属性值），（-1，1）之间，有300个单位，后面是维度，x_data是有300行
-
x_data = np.linspace(
-1,
1,
300)[:, np.newaxis]
#np.linspace在指定间隔内返回均匀间隔数字
-
#加入噪声，均值为0，方差为0.05，形状和x_data一样
-
noise = np.random.normal(
0,
0.05, x_data.shape)
-
#定义y的函数为二次曲线函数，同时增加一些噪声数据
-
y_data = np.square(x_data) -
0.5 + noise
-
-
#定义输入值，输入结构的输入行数不固定，但列就是1列的值
-
xs = tf.placeholder(tf.float32, [
None,
1])
-
ys = tf.placeholder(tf.float32, [
None,
1])
-
-
"""建立网络"""
-
#定义隐藏层，输入为xs，输入size为1列，因为x_data只有一个属性值，输出size假定有10个神经元的隐藏层，激活函数relu
-
l1 = add_layer(xs,
1,
10, activation_function=tf.nn.relu)
-
#定义输出层，输出为l1输入size为10列，也就是l1的列数，输出size为1，这里的输出类似y_data，因此为1列
-
prediction = add_layer(l1,
10,
1,activation_function=
None)
-
-
"""预测"""
-
#定义损失函数为差值平方和的平均值
-
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[
1]))
-
-
"""训练"""
-
#进行逐步优化的梯度下降优化器，学习率为0.1，以最小化损失函数进行优化
-
train_step = tf.train.GradientDescentOptimizer(
0.1).minimize(loss)
-
#初始化模型所有参数
-
init = tf.global_variables_initializer()
-
-
#可视化
-
with tf.Session()
as sess:
-
sess.run(init)
-
-
fig = plt.figure()
#先生成一个图片框
-
#连续性画图
-
ax = fig.add_subplot(
1,
1,
1)
#编号为1，1，1
-
ax.scatter(x_data, y_data)
#画散点图
-
#不暂停
-
plt.ion()
#打开互交模式
-
# plt.show()
-
#plt.show绘制一次就暂停了
-
for i
in range(
1000):
#学习1000次
-
sess.run(train_step, feed_dict={xs:x_data, ys:y_data})
-
if i%
50==
0:
-
-
-
try:
-
#画出一条后，抹除掉，去除第一个线段，但是只有一个相当于抹除当前线段
-
ax.lines.remove(lines[
0])
-
except Exception:
-
pass
-
prediction_value = sess.run(prediction, feed_dict={xs:x_data})
-
lines = ax.plot(x_data,prediction_value,
'r-',lw=
5)
#lw线宽
-
-
#暂停
-
plt.pause(
0.5)
可视化结果：
转载：https://blog.csdn.net/AI_girl/article/details/116768363
查看评论