tensorflow 莫烦教程

1，感谢莫烦

2，第一个实例：用tf拟合线性函数

import tensorflow as tf
import numpy as np

# create data
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data*0.1 + 0.3    #先创建我们的线性函数目标

#搭建模型
Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
biases = tf.Variable(tf.zeros([1]))
y = Weights*x_data + biases

#计算误差，然后根据误差调节loss
loss = tf.reduce_mean(tf.square(y-y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)    #我们的目标是让误差尽量小

init = tf.global_variables_initializer()  # 注册和初始化变量

sess = tf.Session()    #创建会话，
sess.run(init)          # 开始运行。tf需要在会话里运行，原因不明

for step in range(201):
    sess.run(train)
    if step % 20 == 0:    #每训练一段时间打印一下结果
        print(step, sess.run(Weights), sess.run(biases))

3,会话控制session

import tensorflow as tf

# create two matrixes

matrix1 = tf.constant([[3,3]])    #tf.constant表示常量
matrix2 = tf.constant([[2],
                       [2]])
product = tf.matmul(matrix1,matrix2)    #两个同类型是数相乘，不同于tf.multiply(),这只是表示运算的步骤，而不是过程

#要想运行两个数相乘得到结果，有以下两种方法# method 1
sess = tf.Session()
result = sess.run(product)
print(result)
sess.close()

# method 2
with tf.Session() as sess:
    result2 = sess.run(product)
    print(result2)

4，变量Variable

和python不一样的是，tf中只有定义了是变量的才是变量，这一点和一直以来的习惯不一样

语法：

import tensorflow as tf

state = tf.Variable(0, name=‘counter‘)

# 定义常量 one
one = tf.constant(1)

# 定义加法步骤 (注: 此步并没有直接计算)
new_value = tf.add(state, one)

# 将 State 更新成 new_value
update = tf.assign(state, new_value)

#但是以上步骤没有一步是直接运算的，要运算还需要载入变量
init = tf.global_variables_initializer()    #激活变量是这样滴

#激活以后还是需要放在会话中运行
with tf.Session() as sess:
    sess.run(init)
    for _ in range(3):
        sess.run(update)
        print(sess.run(state))

5，placeholder传入值

import tensorflow as tf

#在 Tensorflow 中需要定义 placeholder 的 type ，一般为 float32 形式
input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)

# mul = multiply 是将input1和input2 做乘法运算，并输出为 output
ouput = tf.multiply(input1, input2)

with tf.Session() as sess:
    print(sess.run(ouput, feed_dict={input1: [7.], input2: [2.]}))

#placeholder到底像raw_input 呢还是argv呢

6，掰弯利器激励函数

7，添加层

#!coding=utf-8
import tensorflow as tfimport numpy as np

def add_layer(inputs, in_size, out_size, activation_function=None):
    Weights = tf.Variable(tf.random_normal([in_size, out_size]))
    biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)    #加0.1是为了不让它为0

    Wx_plus_b = tf.matmul(inputs, Weights) + biases    #最基础的函数：权重乘以x加上偏移量为y
    #如果激励函数为none，那我们得到的Wx_plus_b就是结果，如果有激励函数，那就需要把结果套上一层激励函数
    if activation_function is None:
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b)
    return outputs

建造神经网络：

x_data = np.linspace(-1,1,300, dtype=np.float32)[:, np.newaxis]
noise = np.random.normal(0, 0.05, x_data.shape).astype(np.float32)
y_data = np.square(x_data) - 0.5 + noise    #y=x的平方减去0.5加上干扰

#np.linspace意思的创建一个从-1到1的一维数组，这个数组里有300个元素，x_data的数字类型是float32。
#np.newaxis例如：print(np.arange(0, 10)[:, np.newaxis]) 结果将是[[0] [1] [2] [3] [4] [5] [6] [7] [8] [9]]
#noise是故意插入数组中的干扰数字，省的算出权重和偏移量过快

xs = tf.placeholder(tf.float32, [None, 1])
  ys = tf.placeholder(tf.float32, [None, 1])

#定义隐藏层，inputs为xs，大小为一个，经过10个隐藏层，激励函数为tf.nn.relu
l1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu)

#输出层，输出层的输入值为l1，输入的值有10个，输出只有一层，激活函数是没有的
prediction = add_layer(l1, 10, 1, activation_function=None)

#层虽然定义好了，我们仍旧需要通过训练优化参数，损失函数为，对二者差的平方求和再取平均。
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),
                     reduction_indices=[1]))

#学习效率就等于
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

init = tf.global_variables_initializer()  # 对变量进行初始化，然后会话中开始跑
sess = tf.Session()
sess.run(init)

#开始训练

for i in range(1000):
    # 注意当运算要用到placeholder时，就需要feed_dict这个字典来指定输入
    sess.run(train_step, feed_dict={xs: x_data, ys: y_data})
    if i % 50 == 0:
        # to see the step improvement
        print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))

训练得到的结果是loss损失的大小，损失越来越小，越来越接近实际值：

8，结果可视化

可视化需要用到的依赖包是：matplotlib，目测豆瓣和清华的镜像没法用，不知原因，直接按照教程来一遍吧。

实例：

#!coding=utf-8
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]))
    biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)    #加0.1是为了不让它为0

    Wx_plus_b = tf.matmul(inputs, Weights) + biases    #最基础的函数：权重乘以x加上偏移量为y
    #如果激励函数为none，那我们得到的Wx_plus_b就是结果，如果有激励函数，那就需要把结果套上一层激励函数
    if activation_function is None:
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b)
    return outputs

x_data = np.linspace(-1,1,300, dtype=np.float32)[:, np.newaxis]
noise = np.random.normal(0, 0.05, x_data.shape).astype(np.float32)
y_data = np.square(x_data) - 0.5 + noise    #y=x的平方减去0.5加上干扰

#np.linspace意思的创建一个从-1到1的一维数组，这个数组里有300个元素，x_data的数字类型是float32。
#np.newaxis例如：print(np.arange(0, 10)[:, np.newaxis]) 结果将是[[0] [1] [2] [3] [4] [5] [6] [7] [8] [9]]
#noise是故意插入数组中的干扰数字，省的算出权重和偏移量过快
xs = tf.placeholder(tf.float32, [None, 1])
ys = tf.placeholder(tf.float32, [None, 1])

#定义隐藏层，inputs为xs，大小为一个，经过10个隐藏层，激励函数为tf.nn.relu
l1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu)

#输出层，输出层的输入值为l1，输入的值有10个，输出只有一层，激活函数是没有的
prediction = add_layer(l1, 10, 1, activation_function=None)

#层虽然定义好了，我们仍旧需要通过训练优化参数，损失函数为，对二者差的平方求和再取平均。
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),
                     reduction_indices=[1]))

#学习效率就等于
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

init = tf.global_variables_initializer()  # 对变量进行初始化，然后会话中开始跑
sess = tf.Session()
sess.run(init)

#开始训练

fig=plt.figure()    #先生成一个图片框，画板类似的
ax=fig.add_subplot(1,1,1)
#参数 111 的意思是: 显示一个图 或者写成 (1,1,1);参数 349 的意思是：将画布分割成 3 行 4 列，图像画在从左到右从上到下的第 9 块
ax.scatter(x_data,y_data)
plt.show()

就目前而言，先把x_data ,y_data的取值画出来，x_data是在-1到1之间取了300个点，y_data是x_data的平方加上噪音，目前是这样的图：

fig=plt.figure()    #先 生成一个图片框，画板类似的
ax=fig.add_subplot(1,1,1)
#参数 111 的意思是: 显示一个图 或者写成 (1,1,1);参数 349 的意思是：将画布分割成 3 行 4 列，图像画在从左到右从上到下的第 9 块
ax.scatter(x_data,y_data)
plt.ion()    #为了让画板能被不断更新添加，如果只有一个show（）函数，那就只能画一次
plt.show()

for i in range(1000):
    # 注意当运算要用到placeholder时，就需要feed_dict这个字典来指定输入
    sess.run(train_step, feed_dict={xs: x_data, ys: y_data})
    if i % 50 == 0:
        # to see the step improvement
        #print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))
        try:
            ax.lines.remove(lines[0])    #去掉画的第一条线,第一次没有这条线，所以except跳过去了
        except Exception:
            pass
        prediction_value=sess.run(prediction,feed_dict={xs:x_data})
        lines=ax.plot(x_data,prediction_value,‘r‘,lw=5)    #画一条连续的线，画完了必须要移除，否则画不了下一条
        plt.pause(0.1)

虽然不是很懂，但是可以看到训练的结果确实是不断拟合原始数据哦。啦啦。至于为什么不大懂，估计是numpy和matplotlib包以前没用过的原因。

题外话，激活函数是可以变化的哦， tf.nn.sigmoid(x)， tf.nn.relu(x)，tf.nn.tanh(x)， tf.nn.softplus(x)经过本人实践证明，同样的条件下，l1 = add_layer(xs, 1, 10, activation_function=tf.nn.softplus)是拟合最好的。据说它是这个： log(exp( features) + 1)

原文地址：https://www.cnblogs.com/0-lingdu/p/10176837.html

时间： 2024-10-07 21:48:48

tensorflow 莫烦教程的相关文章

稍稍乱入的CNN，本文依然是学习周莫烦视频的笔记。

稍稍乱入的CNN,本文依然是学习周莫烦视频的笔记. 还有 google 在 udacity 上的 CNN 教程. CNN(Convolutional Neural Networks) 卷积神经网络简单讲就是把一个图片的数据传递给CNN,原涂层是由RGB组成,然后CNN把它的厚度加厚,长宽变小,每做一层都这样被拉长,最后形成一个分类器: 如果想要分成十类的话,那么就会有0到9这十个位置,这个数据属于哪一类就在哪个位置上是1,而在其它位置上为零. 在 RGB 这个层,每一次把一块核心抽出来,然后厚度

莫烦python的视频源

莫烦python是一个关于python.机器学习教程的网址,站长很多东西是通过自学而来的,所以他创建了youtube和优酷频道. 网址 https://morvanzhou.github.io/ 项目地址 https://github.com/MorvanZhou/morvanzhou.github.io 在项目中有2个分支,master分支是github page,而hexo分支是源代码.在代码中,可以看到一些markdown文件的front matter 有 youku_id 和 youtu

Tensorflow的CNN教程解析

之前的博客我们已经对RNN模型有了个粗略的了解.作为一个时序性模型,RNN的强大不需要我在这里重复了.今天,让我们来看看除了RNN外另一个特殊的,同时也是广为人知的强大的神经网络模型,即CNN模型.今天的讨论主要是基于Tensorflow的CIFAR10教程,不过作为对比,我们也会对Tensorflow的MINST教程作解析以及对比.很快大家就会发现,逻辑上考虑,其实内容都是大同小异的.由于所对应的目标不一样,在数据处理方面可能存在着些许差异,这里我们以CIFAR10的为基准,有兴趣的朋友欢迎去

Tensorflow 官方版教程中文版

2015年11月9日,Google发布人工智能系统TensorFlow并宣布开源,同日,极客学院组织在线TensorFlow中文文档翻译.一个月后,30章文档全部翻译校对完成,上线并提供电子书下载,该文档的上线为国内外使用中文学习TensorFlow的工程及研究人员提供了更快的访问速度和更好的阅读体验,助力中国AI技术与世界同步.在线阅读地址为:http://wiki.jikexueyuan.com/project/tensorflow-zh/ 众所周知,人工智能将是未来发展的大方向,从国家到全

Tensorflow简易系列教程（一）：安装和运行

Tensorflow 简易系列教程(一):安装和运行 TensorFlow 是谷歌开发的机器学习框架. 安装 TensorFlow 直接使用 pip 安装即可,添加豆瓣镜像可以加快速度: pip install tensorflow -i https://pypi.douban.com/simple 如果有 GPU 可以充分利用,安装: pip install tensorflow-gpu -i https://pypi.douban.com/simple 目前我使用的 TensorFlow 版

莫烦TENSORFLOW(4)-placeholder

import tensorflow as tf 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:[2.0]}))

莫烦TENSORFLOW(6)-tensorboard

import tensorflow as tfimport numpy as np def add_layer(inputs,in_size,out_size,n_layer,activation_function=None): # add one more layer and return the output of this layer layer_name = 'layer%s' % n_layer with tf.name_scope('layer'): with tf.name_sco

莫烦TENSORFLOW(5)

import tensorflow as tfimport numpy as npimport 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])) biases = tf.Variable(tf.zeros([1,out_size]) + 0.1) W

莫烦TENSORFLOW(7)-mnist

import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_data#number 1 to 10 datamnist = input_data.read_data_sets('MNIST_data',one_hot=True) def add_layer(inputs,in_size,out_size,activation_function=None): Weights = tf.Variable(t