Tensorflow
Posted xiuercui
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Tensorflow相关的知识,希望对你有一定的参考价值。
1.什么是Tensorflow?
Tensor(张量)意味着 N 维数组,Flow(流)意味着基于数据流图的计算,TensorFlow即为张量从图的一端流动到另一端。
它支持CNN(卷积神经网络)、RNN(循环神经网络)和LSTM(长短期记忆网络)算法,是目前在 Image,NLP 最流行的深度神经网络模型。
推荐一个网址,神经网络游乐场,很明白的了解具体的训练流程,得到最佳的结果
http://playground.tensorflow.org/
2.Tensorflow的优点
- 第一,基于Python,写的很快并且具有可读性。
- 第二,在CPU或GPU系统上的都可运行。pip install tensorflow
- 第三,代码编译效率较高。
- 第四,社区发展的非常迅速并且活跃。
- 第五,能够生成显示网络拓扑结构和性能的可视化图。
3.Tensorflow的原理
TensorFlow是用数据流图(data flow graphs)技术来进行数值计算的。
数据流图是描述有向图中的数值计算过程。
有向图中,节点通常代表数学运算,边表示节点之间的某种联系,它负责传输多维数据(Tensors)。
4.Tensorflow的使用
1 import warnings 2 warnings.filterwarnings(‘ignore‘) 3 import numpy as np 4 import tensorflow as tf 5 6 #常量的计算 7 nd1=np.random.randint(0,10,size=5) 8 s=tf.reduce_sum(nd1,name=‘sum‘) 9 sess=tf.Session() 10 sess.run(s) 11 12 # 求平均值 13 m=tf.reduce_mean(nd1.astype(np.float16)) 14 # 使用with会自动关闭 15 with tf.Session() as sess: 16 print(sess.run(m)) 17 18 # 返回值是操作 19 c=tf.constant(‘Hello Tensorflow‘) 20 c2=tf.constant(1024) 21 c3=tf.constant(512) 22 a=tf.add(c2,c3) 23 b=c3-c2 24 d=tf.abs(b) 25 m=tf.multiply(10,8) 26 # 除法直接返回结果 27 n=tf.divide(1024,100) 28 h=tf.divide(b,d) 29 # sess.run(c) c必须是tensor操作 30 with tf.Session() as sess: 31 print(sess.run(c)) 32 print(sess.run(c2)) 33 print(sess.run(a)) 34 print(sess.run(b)) 35 print(sess.run(d)) 36 print(sess.run(m)) 37 print(n) 38 print(sess.run(h)) 39 40 # 矩阵操作 41 a=np.random.randint(0,10,size=(2,3)) 42 b=np.random.randint(0,10,size=(3,4)) 43 # 矩阵的点乘 44 c=tf.matmul(a,b) 45 with tf.Session() as sess: 46 print(sess.run(c))
1 # 变量的计算 2 # 求解方程时,系数和截距都是变量 3 # 声明变量 4 v=tf.Variable(initial_value=0,dtype=np.float16) 5 v2=tf.Variable(initial_value=3.14,dtype=tf.float16) 6 with tf.Session() as sess: 7 # 变量必须进行初始化 8 sess.run(tf.global_variables_initializer()) 9 result=sess.run([v,v2]) 10 print(result) 11 # 将变量更新一下,重新赋值,必须运行之后才会修改 12 assign=tf.assign(v,2.718) 13 sess.run(assign) 14 #相当于求v2-2 15 sess.run(tf.assign_sub(v2,2)) 16 print(sess.run([v,v2])) 17 18 # 占位符 19 # 占位符的作用 20 ‘’‘一方面用TensorFlow写网络的时候,训练前我们往往不知道x和y的具体大小,但在写前项传播时又不得不先在计算图中定义这么一个节点,因为其他变量会依赖它。此时,我们就可以先在网络中给这些变量留(占)一个位置,等到训练的时候根据batch的尺寸就能确定x,y的大小了。 21 另一方面我们迄今为止所做的计算一直很乏味:没有机会获得输入,所以它们总是输出相同的东西。一个实用的应用可能涉及构建这样一个计算图:它接受输入,以某种(一致)方式处理它,并返回一个输出。最直接的方法是使用占位符。占位符是一种用于接受外部输入的节点。 22 ‘’‘ 23 24 A=tf.placeholder(dtype=tf.float32,shape=(None,4),name=‘A‘) 25 B=tf.placeholder(dtype=np.float32,shape=(4,None),name=‘B‘) 26 C=tf.matmul(A,B) 27 with tf.Session() as sess: 28 # 占位时使用的None,赋值时可以随意构建形状,只要匹配就可以 29 b=sess.run(tf.random_normal(shape=[4,5])) 30 ret=sess.run(C,feed_dict={A:np.random.randint(0,5,size=(3,4)),B:b}) 31 print(ret)
5.Tensorlow完成线性回归
1 import warnings 2 warnings.filterwarnings(‘ignore‘) 3 import numpy as np 4 import matplotlib.pyplot as plt 5 %matplotlib inline 6 from sklearn.linear_model import LinearRegression 7 import tensorflow as tf 8 9 # 构造数据 10 X=np.linspace(2,12,50).reshape(-1,1) 11 w=np.random.randint(1,6,size=1)[0] 12 b=np.random.randint(-5,5,size=1)[0] 13 y=X*w+b+np.random.randn(50,1)*0.7 14 plt.scatter(X,y) 15 16 # 用线性回归模型来计算 17 linear=LinearRegression() 18 linear.fit(X,y) 19 print(linear.coef_,linear.intercept_) 20 21 #用tensorflow来计算 22 # 1.定义占位符,变量 23 # 线性回归理论基础是最小二乘法 24 X_train=tf.placeholder(dtype=tf.float32,shape=[50,1],name=‘data‘) 25 y_train=tf.placeholder(dtype=tf.float32,shape=[50,1],name=‘target‘) 26 w_=tf.Variable(initial_value=tf.random_normal(shape=[1,1]),name=‘weight‘) 27 b_=tf.Variable(initial_value=tf.random_normal(shape=[1]),name=‘bias‘) 28 29 # 2.构造方程(线性方程,矩阵乘法) 30 # 构建方程 f(x)=Xw+b 31 y_pred=tf.multiply(X_train,w_)+b_ 32 # shape=(50,1) 33 34 # 3.最小二乘法(平均最小二乘法) 35 # 二乘法(y_pred-y_train)**2 返回的结果是一个列表,列表没有办法比较大小 36 # 平均最小二乘法,数值,mean 37 cost=tf.reduce_mean(tf.pow(y_pred-y_train,2)) 38 39 # 4.梯度下降优化 40 # 优化,cost越小越好 41 # 梯度下降优化 42 opt=tf.train.GradientDescentOptimizer(0.01).minimize(cost) 43 44 # 5.会话进行训练(for循环) 45 with tf.Session() as sess: 46 # w,b,变量初始化 47 sess.run(tf.global_variables_initializer()) 48 for i in range(1000): 49 opt_,cost_=sess.run([opt,cost],feed_dict={y_train:y,X_train:X}) 50 print(‘执行次数是:%d,损失函数值是:%0.4f‘%(i+1,cost_)) 51 # for 循环结束,训练结束 52 # 获取斜率和截距 53 W,B=sess.run([w_,b_]) 54 print(‘经过1000次的训练,tensorflow返回的线性方程的斜率是:%0.3f,截距是:%0.3f‘%(W,B)) 55 56 # 6.可视化 57 plt.scatter(X,y) 58 x=np.linspace(2,12,100) 59 plt.plot(x,W[0]*x+B,color=‘green‘)
以上是关于Tensorflow的主要内容,如果未能解决你的问题,请参考以下文章
tensorflow中卷积层输出特征尺寸计算和padding参数解析