TensorFlow—上手篇

TensorFlow—上手篇

1，關於import tensorflow的報錯問題：

根據顯示的文件路徑找到相應的文件，採用sublime_text編輯（因爲用這個可以看到行號，用其他的文本編輯也可以顯示行號找到對應位置即可），找到行號爲523的位置，將如下內容：

_np_qint8 = np.dtype([(“qint8”, np.int8, 1)])

修改爲：

_np_qint8 = np.dtype([(“qint8”, np.int8, (1,))])

2，關於tensorflow的結構概念問題：

定義如下：

​  使用圖（graphs）來表示計算任務

​  在被稱之爲會話（Session）的上下文（context）中執行圖

​  使用tensor表示數據

​  通過變量（Variable）維護狀態

​  使用feed和fetch可以爲任意的操作賦值或者從其中獲取數據

​ tensorflow主要由4個部分組成，Tensor數據層，variable變量層，operation操作層，以上三層組合爲graph，最後將graph封裝在Session圖中。

具體的栗子如下：

​ 構造2個矩陣作爲tensor層，乘法作爲操作層，結果的計算作爲graph，用默認的Session圖封裝並調用。

#導入tensorflow庫
import tensorflow as tf
#定義2個矩陣作爲tensor數據層
m1=tf.constant([[2,3]])
m2=tf.constant([[2],[3]])
#調用matmul作爲operation操作層，並且pro作爲gragh
pro=tf.matmul(m1,m2)
#採用Session默認圖,通過ss封裝並調用graph（pro）
with tf.Session() as ss:
    res=ss.run(pro)
    print(res)

最終顯示結果爲：

​ [[13]]

3，關於Variable的語法問題：

1.如何進行variable的賦值？

​ 採用tensorflow.Variable()賦值：

import tensorflow as tf
#定義一個自變量x1
x1=tf.Variable([2,3])
#定義一個常量m1
m1=tf.constant([2,3])
#定義一個op減法
op1=tf.subtract(x1,m1)
#定義一個op加法
op2=tf.add(x1,op1)
#初始化全局變量
init=tf.global_variables_initializer()
#使用默認圖Session()
with tf.Session() as sess:
    sess.run(init)
    print(sess.run(op1))
    print(sess.run(op2))

​ 顯示結果爲：

​ [0 0] [2 3]

2.使用tensorflow實現累加操作？

​ 採用tensorflow.assign()進行賦值更新操作：

#實現0~5的自加
x2=tf.Variable(0)
m2=tf.constant(1)
res=tf.add(x2,m2)
#使用assign()進行賦值的更新
update=tf.assign(x2,res)
init=tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    for _ in range(5):
        sess.run(update)
        print(sess.run(x2))

​ 顯示結果爲：

​ 1 2 3 4 5

3.思考題？

​ 如果將print(sess.run(x2))改爲print(sess.run(res)),或者print(sess.run(update))的顯示結果是什麼？

​ print(sess.run(res))的顯示結果爲：2 3 4 5 6

​ 原因在於：每次多加了一個m2。

​ print(sess.run(update))的顯示結果爲：2 4 6 8 10

​ 原因在於：每次多加了一個m2的基礎上還多加了之前上一輪的x2。

4，fetch和feed是什麼東西？

​ fetch，主要用於一次運行多個op：

​ 而feed是什麼呢？

​ feed，用於在調用graph時再向op輸入實參，與fetch需要提前輸入實參不同：

#fetch
in1=tf.placeholder(tf.int32)
in2=tf.placeholder(tf.int32)
op1=tf.multiply(in1,in2)
#init=tf.global_variables_initializer()
with tf.Session() as sess:
    #sess.run(init)
    #feed數據以字典形式傳入
    print(sess.run(op1,feed_dict={in1:21,in2:23}))

4，如何寫一個簡單的二次函數訓練模型？

​ 1.原始數據x_data採用numpy.random.rand()隨機生成。

​ 2.y_data採用自定義（得到精準的k，b），以及對k，b進行變量類型的定義。

​ 3.寫出預測值y，k，b，x_data之間的函數關係式。

​ 4.定義損失代價函數loss。

​ 5.定義梯度下降優化器，設置學習率（0<學習率<1）。

​ 6.最小化代價函數optimizer.minimize(loss)。

​ 7.初始化全局變量，k和b。

​ 8.使用默認圖Session()，調用graph成員cost，進行重複訓練。

​ 9.每訓練30次，打印k和b，以及loss的值。

#梯度下降訓練線性模型
x_data=np.random.rand(100)
y_data=0.1*x_data*x_data+0.2
k=tf.Variable(0.)
b=tf.Variable(0.)
y=k*x_data*x_data+b
#定義二次損失代價函數
loss=tf.reduce_mean(tf.square(y-y_data))
#定義優化器
optimizer=tf.train.GradientDescentOptimizer(0.3)#0.3作爲梯度下降的學習率
#最小化代價函數
cost=optimizer.minimize(loss)
#初始化變量
init=tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    for _ in range(300):
        sess.run(cost)
        if _%30==0:
            print(_,sess.run([k,b,loss]))

訓練結果如下：

​