学习当然要从官方的入门文档开始。
但是这篇入门对于从0开始的初学者似乎有些困难,尤其是对于神经网络知识还是一知半解的。
敲完理解一遍还是懵逼。
TensorFlow经典入门代码学习备注如下。
import tensorflow as tf import input_data mnist = input_data.read_data_sets("MNIST_data/", one_hot=True) # x不是一个特定的值,而是一个占位符placeholder # 这里的None表示此张量的第一个维度可以是任何长度的。 # 784表示一个图片的像素总数 # 表示一个输入源,二维组,第一维度不知道,第二维度是784. x = tf.placeholder("float", [None, 784]) W = tf.Variable(tf.zeros([784, 10])) b = tf.Variable(tf.zeros([10])) y = tf.nn.softmax(tf.matmul(x, W) + b) # 计算交叉熵 y_ = tf.placeholder("float", [None, 10]) cross_entropy = -tf.reduce_sum(y_*tf.log(y)) # 用梯度下降算法(gradient descent algorithm)以0.01的学习速率最小化交叉熵 train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy) # 初始化我们创建的变量 init = tf.initialize_all_variables() # 在一个Session里面启动我们的模型,并且初始化变量 sess = tf.Session() sess.run(init) # 模型循环训练1000次 for i in range(1000): batch_xs, batch_ys = mnist.train.next_batch(100) # 随机抓取训练数据中的100个批处理数据点 # 用这些数据点作为参数替换之前的占位符来运行train_step. # feed_dict 向…提供; 供…作食物 sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys}) # 评估我们的模型 # tf.argmax(y,1)返回的是模型对于任一输入x预测到的标签值 # 而 tf.argmax(y_,1) 代表正确的标签,我们可以用 tf.equal # 来检测我们的预测是否真实标签匹配(索引位置一样表示匹配) correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1)) # [True, False, True, True] 会变成 [1,0,1,1] accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float")) print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))
后面找了一本中文的《TensorFlow实战Google深度学习框架》来入门