注：學習環境爲anaconda+tensorflow+TensorBoard+Jupyter
Kali下打開Jupyter：終端裏輸入jupyter notebook命令即可，按Ctrl+Enter執行
Kali下啓動TensorBoard：在終端輸入tensorboard --logdir=/root/condalog，其中/root/condalog是我的日誌存放路徑，之後訪問返回的url即可，默認爲：http://localhost:6006，也可以用--port參數修改端口號
一、TensorFlow計算模型-計算圖
1、計算圖：是一個有向圖，由節點和有向邊構成。
- 節點：代表操作，是一種運算
- 有向邊：代表節點之間的關係
- 常規邊（實線）：代表數據依賴關係，即兩個節點間的數據傳遞
- 特殊邊（虛線）：代表控制依賴關係，即兩個節點之間的控制相關性，eg：happen-before關係
eg：計算圖實例
node3並不是一個數值，而是一個張量結構，以上只是創建了計算圖，建立了靜態計算模型
2、計算圖的執行：
計算圖創建後（即創建好節點後），需要執行對話才能提供數據並獲得結果
eg：會話的創建、運行、關閉
二、張量（tensor）：
在TensorFlow中，所有的數據都通過張量表示。張量可以理解爲多維數組：
零階張量 表示 標量（scalar），即一個數字；
一階張量 表示 向量（vector），即一維數組；以此類推
張量沒有真正的保存數字，而是保存計算過程。
1、張量的屬性：
Tensor("node:src_output",shape=(),dtype=float32)
- node是節點名稱，src_output是來自節點的第幾個輸出；
- shape是張量的維度信息，shape=()表示缺省狀態，即爲標量
- dtype是數據類型，TensorFlow不允許出現數據類型不匹配的情況
node3的屬性爲：Tensor("Add:0",shape=(),dtype=float32)
2、張量的形狀shape：
3、獲取張量的元素：
4、張量的數據類型：
三、操作（operation）
計算圖中的節點就是操作
eg：該例中共有4種操作，在TensorBoard中顯示爲a、b、c、d四個節點
從TensorBoard中查看結果圖
第六講：線性迴歸問題TensorFlow實戰（y=2x+1）
使用TensorFlow進行算法設計與訓練的核心步驟：
1、準備數據
2、構建模型
3、訓練模型
4、進行預測
一、準備數據
1、人工數據集生成
#保證圖像在Jupyter顯示
%matplotlib inline
import matplotlib.pyplot as plt
import numpy as np
import tensorflow as tf
#設置隨機種子
np.random.seed(5)
#生成[-1,1]區間內的等差數列，個數爲100個
x_data=np.linspace(-1,1,100)
#生成訓練樣本，在y=2x+1的基礎上，添加幅度爲0.4的抖動
y_data=2*x_data+1.0+np.random.randn(*x_data.shape)*0.4
2、利用matplotlib畫出生成的數據集
#畫出數據集的散點圖
plt.scatter(x_data,y_data)
#畫出要學習的線性函數
plt.plot(x_data,2*x_data+1.0,color='red',linewidth=3)
結果圖如下：
二、構建模型
從這裏開始使用TensorFlow
#定義佔位符，可以理解爲還未確定數值的變量
x=tf.placeholder("float",name="x")
y=tf.placeholder("float",name="y")
#定義模型函數，
def model(x,w,b):
return tf.multiply(x,w)+b
#定義變量
w=tf.Variable(1.0,name="w0")
b=tf.Variable(0.0,name="b0")
#預測值，存儲model函數的返回值
pred=model(x,w,b)
三、訓練模型
#訓練輪數：
train_epochs=10
#學習率：
learning_rate=0.05
#控制顯示loss的粒度：
display_step=10 #每10個訓練樣本輸出一個損失
#損失函數（以均方差衡量）：
loss_function=tf.reduce_mean(tf.square(y-pred))
#梯度下降優化器：
optimizer=tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)
#聲明會話
sess=tf.Session()
#初始化變量
init=tf.global_variables_initializer()
sess.run(init)
#開始訓練
step=0
loss_list=[]
for epoch in range(train_epochs):
for xs,ys in zip(x_data,y_data):
_,loss=sess.run([optimizer,loss_function],feed_dict={x:xs,y:ys})
loss_list.append(loss)
step=step+1
if step%display_step==0:
print("Train Epoch:",'%02d'%(epoch+1),"Step:%03d"%(step),"loss=",\"{:.0f}".format(loss))
b0tmp=b.eval(session=sess)
w0tmp=w.eval(session=sess)
plt.plot(x_data,w0tmp*x_data+b0tmp)
訓練結果圖：
四、預測
x_test=3.21
predict=sess.run(pred,feed_dict={x:x_test})
print("predict value: %f"%predict)
target=2*x_test+1.0
print("object value: %f"%target)
結果：