学习tensoflow小记

Sat, 15 Apr 2017 22:07:25 +0000

今天在家学习了下TensorFlow,虽然背后的数学知识浅薄, 但能感觉到, 好强大.再导入tensorflow包的时候,就已经有了一个默认的隐藏图.

可以直接调用函数去查看.

import tensorflow as tf
graph = tf.get_default_graph()
print graph
[] # 会得到一个空的图

这个时候我们可以创建一个常量,如

_input = tf.constant(1.0)

这个常量会以一个节点的形式存在,也就是图里面的一个op,python的变量名_input间接引用这个op

调用下面的函数得到op

op = graph.get_operations()
print op

如果我们直接打印_input, 会得到一个shape(维度)为空的的32位的浮点型张量,这意味着什么呢?意味着只有一个数字. 那怎么才能打印出这个_input的值呢?

我们就要创建一个会话使得图的ops能够被执行,而且明确要求"运行"这个_input.如:

sess = tf.Session()
print sess.run(_input)

下面我在初级入门教程上学到了一个如何运用tensorflow寻找目标函数参数的方法.

首先.我们的这个模型是线性回归的模型. 所以模型的参数定义如下,浮点型,初始值为0.3和-0.3

W = tf.Variable([.3],tf.float32) 
b = tf.Variable([-.3],tf.float32)

接着给x一个placeholder

x = tf.placeholder(tf.float32)

# 这样我们的简单的线性回归模型如下
linear_model = W * x + b

然后为了确认我们的模型与真实的数据集之间的差异,即系统误差. 所以我们需要一个loss function.如下

y = tf.placeholder(tf.float32) # y占位符
loss = tf.reduce_sum(tf.square(linear_model - y)) #loss函数

我们的目标是就是尽可能的减少系统误差,让这个误差越小越好.,当然如果误差为负,就不是越小越好了.实际输出（linear_model）和期望输出（y）的平方差来定义误差的值。

然后我们用优化器（optimizer）。使用梯度下降优化器使我们能够按照误差的导数（derivative）来更新权重,这里背后的原理—梯度下降, 我也是一知半解..

optimizer = tf.train.GradientDescentOptimizer(0.01) #梯度下降
train = optimizer.minimize(loss) #loss最小化

接着我们建立我们的训练数据

Tensorflow on Lost Temple