"""
用tensorflow來實現或使用人工智能領域中的一些函數
@author: ronny
"""
import tensorflow as tf
import numpy as np
def linear_function():
"""
用tensorflow來實現人工智能領域中著名的線性函數: Z=𝑊𝑋+B
return: Z
"""
np.random.seed(1) # 設置seed，每次運行隨機數都是一樣的
# 設W的維度是(4,3)，X的維度是(3,1)以及b的是(4,1)。它們裏面填充的都是隨機數。
W = tf.constant(np.random.rand(4, 3))
X = tf.constant(np.random.rand(3, 1))
B = tf.constant(np.random.rand(4, 1))
# 矩陣運算Y=WX+B
Z = tf.add(tf.matmul(W, X), B)
# 創建會話運行公式
sess = tf.Session()
result = sess.run(Z)
sess.close()
return result
def sigmoid(z):
"""
通過placeholder使用tensorflow自帶的sigmoid
param z: WX+B的結果
return a: 通過sigmoid激活的預測值
"""
#
# 調用佔位符
x = tf.placeholder(tf.float32, name='x')
# 定義公式的名字
sigmoid = tf.sigmoid(x)
# 在會話中運行
with tf.Session() as sess:
# 用run來執行上面定義的sigmoid操作
a = sess.run(sigmoid, feed_dict={x: z})
return a
def cost(z_in, y_in):
"""
成本函數
:param z_in: WX+B的結果
:param y_in: 真實標籤矩陣Y
:return: 成本（總損失的均值）
"""
# 輸入z,y；輸出cost
z = tf.placeholder(tf.float32, name='z')
y = tf.placeholder(tf.float32, name='y')
cost = tf.nn.softmax_cross_entropy_with_logits(logits=z, labels=y)
init = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init)
cost = sess.run(cost, feed_dict={z: z_in, y: y_in})
return cost
def one_hot_matrix(labels, C_in):
"""
將多類別標籤用統一的01編碼矩陣輸出
:param labels: 真實標籤y向量
:param C_in: 標籤類別數
:return:one_hot 矩陣
"""
C = tf.constant(C_in, name='C')
one_hot_matrix = tf.one_hot(indices=labels, depth=C, axis=0)
sess = tf.Session()
# run
result = sess.run(one_hot_matrix)
sess.close()
return result
def ones(shape):
"""
:param shape: 矩陣維度
:return: 全1矩陣
"""
shape = tf.constant(shape)
ones = tf.ones(shape=shape)
sess = tf.Session()
ones = sess.run(ones)
sess.close()
return ones
