tensorflow 莫烦教程

Posted 2021-01-31 0-lingdu

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 tf
import 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)