Tensorflow-基礎使用
- 2021 年 1 月 25 日
- 筆記
- TensorFlow
Tensorflow基本概念
- 使用圖（graphs）來表示計算任務
- 在被稱之為會話（Session）的上下文（context）中執行圖
- 使用tensor表示數據
- 通過變數（Variable）維護狀態
- 使用feed和fetch可以為任意的操作賦值或者從其中獲取數據
Tensorflow是一個編程系統，使用圖（graphs）來表示計算任務，圖（graphs）中的節點稱之為op
（operation），一個op獲得0個或多個Tensor，執行計算，產生0個或多個Tensor。Tensor 看作是
一個 n 維的數組或列表。圖必須在會話（Session）里被啟動。
Tensorflow結構
創建圖，啟動圖
#2-1 創建圖，啟動圖
#創建一個常量op
m1=tf.constant([[3,3]])
#創建一個常量op
m2=tf.constant([[2],[3]])
#創建一個矩陣乘法op
product=tf.matmul(m1,m2)
print(product)
with tf.compat.v1.Session() as sess:
# run(product)觸發了圖中的3個op
result = sess.run(product)
print(result)
結果為：
變數
#2-2變數
#創建一個變數初始化0
state=tf.Variable(0,name='counter')
#創建op，作用是使state加1
new_value=tf.add(state,1)
#賦值op
update=tf.compat.v1.assign(state,new_value)
with tf.compat.v1.Session() as sess:
#變數初始化
sess.run(tf.compat.v1.global_variables_initializer())
print(sess.run(state))
for _ in range(5):
sess.run(update)
print(sess.run(state))
輸出為：
Fetch and Feed
#2-3Fetch and Feed
#Fetch
input1=tf.constant(3.0)
input2=tf.constant(2.0)
input3=tf.constant(5.0)
add=tf.add(input2,input3)
mul=tf.multiply(input1,add)
with tf.compat.v1.Session() as sess:
result=sess.run([mul,add])
print(result)
#Feed
#創建佔位符
input1=tf.compat.v1.placeholder(tf.float32)
input2=tf.compat.v1.placeholder(tf.float32)
output=tf.multiply(input1,input2)
with tf.compat.v1.Session() as sess:
#feed的數據以字典傳入
print(sess.run(output,feed_dict={input1:[7.],input2:[2.]}))
輸出為：
線性模型
import numpy as np
#使用np生成100個隨機點
x_data=np.random.rand(100)
y_data=x_data*0.1+0.2
#構造一個線性模型
b=tf.Variable(0.)
k=tf.Variable(0.)
y=k*x_data+b
#二次代價函數
loss=tf.reduce_mean(tf.square(y_data-y))
#定義一個梯度下降法來進行訓練的優化器
optimizer=tf.compat.v1.train.GradientDescentOptimizer(0.2)
#最小化代價函數
train=optimizer.minimize(loss)
#對變數進行初始化
init=tf.compat.v1.global_variables_initializer()
with tf.compat.v1.Session() as sess:
sess.run(init)
for step in range(201):
sess.run(train)
if step%20==0:
print(step,sess.run([k,b]))
輸出為：
