tensorflow学习(tensorflow概念和用tensorflow拟合直线回归)

• 2019 年 10 月 6 日
• 筆記

tensorflow是什么？

尽管深度学习背后的数学概念已经出现几十年了，但是用于创建和训练这些深度模型的程序类库在最近几年才出现。不幸的是，大多数类库都会在灵活性和实际生产价值上做出权衡。易用性的类库对于科研是无比珍贵的，因为这样科技工作者们才更方便地研究出新的模型框架，但是，如果考虑到实际生产的话，它们往往训练又太慢而没有实际的应用价值。另一方面，快、高效的类库，部署到分布式硬件上是可行的，但是它们只针对具体的那些神经网络，对新发明的网络又不适用。

这就留给决策者们一个困惑： 要想不重复实现相同的代码，我们还依然要用不太灵活的类库做科研吗？还是，科研和生产各用自己的一套不相同的库？

假如，我们选择前者，我们也许不能测试各种不同种类的神经网络，如果选择了后者，我们必须维护不同的两套代码，我们能有足够的精力做这个吗？

TensorFlow 就是为了解决，新出现的神经网络架构如何真正能在生产环境下使用，这一使命而诞生的。

Tensor是什么？

在tensorFlow中使用tensor这种数据结构来表示所有的数据，所有的计算涉及到的数据都是tensor这种结构类型的。Tensorflow把tensorflow看做是一个n维的数组或者列表，tensor又叫做张量，tensor的维数又叫做阶，但是tensor的阶和矩阵的阶不是一个概念。

你可以认为一个二阶tensor就是我们平常说的矩阵，一阶tensor就是一个向量，二阶tensor可以用t[i,j]来描述，三阶tensor可以用t[i,j,k]来描述。

如一个二阶tensort[2,1]的位置就是里面第二个元素中第一个位置4：

如一个三阶tensort[3,2,1]的位置就是里面第三个元素中第二个元素的第一个位置：

tensorflow的启动过程：

在tensorflow中，一个图是用来描述计算的过程的，图必须在会话session里面启动，程序的流程分为两步，第一步构建阶段，这个阶段就是专门构建一些计算的操作和数据的构建等，用op来描述，在数据和操作定义完之后就可以启动session来执行计算任务了

构建过程：

看下面的一些简单的代码（线性回归）：

注：可以使用tf.constant()来定义常量

可以使用tf.Variable()来定义变量

#构建权重参数w  w=tf.Variable(tf.random_uniform([1],-1.,1.,name='myw'))  #构建偏置项  b=tf.Variable(tf.zeros(1),name='myb')  #组合函数  y=w*x_data+b

构建会话Session：

#构建session  sess = tf.Session()  #初始话上面构建的数据的操作，w和b  init = tf.global_variables_initializer()  #初始话  sess.run(init)

在session中运行直接调用Session.run()函数就可以直接跑tensorflow程序了：

for step in range(20):      sess.run(train)      print("w=", sess.run(w),"b=",sess.run(b),sess.run(loss))

Tensorboard：

Tensorboard是一个可视化界面，这个界面展示了tensorflow程序中数据的流向和相关的计算操作。

writer = tf.summary.FileWriter("./mytmp",sess.graph)

这样在mytmp文件夹下，增加了一个event文件，

再在终端，输入 tensorboard.exe –logdir = 刚在生成的log文件夹的绝对路径，回车，这样服务端就启动了，

接下来，启动客户端，即浏览器，输入localhost:6006，端口是6006，选中graphs，得到如下的可视化图：

完整代码如下：

import numpy as np  import tensorflow as tf  import matplotlib.pyplot as plt  num_points=100  vectors_set=[]  for i in range(num_points):      x1=np.random.normal(0.,0.55)      y1=x1*0.1+0.3+np.random.normal(0.0,0.03)      vectors_set.append([x1,y1])  x_data=[v[0] for v in vectors_set ]  y_data=[v[1] for v in vectors_set]  plt.scatter(x_data,y_data,c='r')  plt.show()  #构建线性回归的graph  #构建权重参数w  w=tf.Variable(tf.random_uniform([1],-1.,1.,name='myw'))  #构建偏置项  b=tf.Variable(tf.zeros(1),name='myb')  #组合函数  y=w*x_data+b  loss=tf.reduce_mean(tf.square(y-y_data,name='mysquare'),name='myloss')  optimizer=tf.train.GradientDescentOptimizer(0.5)  train=optimizer.minimize(loss,name='mytrain')  #global_variables_initializer初始化Variable等变量  #构建session  sess = tf.Session()  #初始话上面构建的数据的操作，w和b  init = tf.global_variables_initializer()  #初始话  sess.run(init)  print("w=", sess.run(w),"b=",sess.run(b),sess.run(loss))  #迭代20次train  for step in range(20):      sess.run(train)      print("w=", sess.run(w),"b=",sess.run(b),sess.run(loss))  #写入磁盘，提供tensorboard在浏览器中展示用  writer = tf.summary.FileWriter("./mytmp",sess.graph)  plt.scatter(x_data,y_data,c='r')  plt.plot(x_data,sess.run(w)*x_data+sess.run(b))  plt.show()

生成的随机数可视化图片和拟合函数的可视化图片：