二月四号博客

今天是学习深度学习的第二天

1，大概了解了一遍TensorFlow的框架

　　TensorFlow的整体结构-数据流图（图，会话），图，会话，张量，变量，操作以及Tensor board的可视化

2，图的相关操作

　　默认图：tf.get_default_graph()（调用方法） .graph（查看属性）

　　自定义图：new_graph = tf.Graph()（创建图）  with new_graph.as_default(): （定义数据和操作）

3，张量 Tensor

　　标量　　一个数字　　0阶张量

　　向量　　一维数组　[2,3,4]　　1阶张量

　　矩阵　　二维数组　[[2,3,4],[2,3,4]]　　二阶张量

　　。。。。。

　　张量　　n维数组　　n阶张量

　　创建张量的方法：a_new = tf.constant([4,9,10], dtype=ft.int32)

　　　　　　　　　　tensor = tf.placeholder(dtype=tf.float32, shape=[None, 10])

　　 

　　张量的转换：tensor.set_shape(shape)（改变原始的tensor）

　　　　　　　　tf.reshape(tensor, shape)（不会改变原始的tensor     返回新的改变形状后的tensor   动态创建新张量时，张量的元素个数必须匹配）

4，变量 OP（要记得初始化）（用来迭代，训练的对象）

 　　创建变量

　　　　weights = tf.Variable(initial_value=tf.random_normal(shape=[1, 1]), name="Weights")

 　　创建变量后的初始化

　　　　init = tf.global_variables_initializer()

　　　　sess.run(init)

5，案例：线性回归的训练

　

# 模拟实现线性回归训练
def linear_demo():
    # 1)准备数据
    with tf.compat.v1.variable_scope("prepare_data"):
        x = tf.random.normal(shape=[100, 1], name='feature')
        y_true = tf.matmul(x, [[0.8]])+0.7

    # 2)构建模型
    with tf.compat.v1.variable_scope("create_modal"):
        weights = tf.Variable(initial_value=tf.random.normal(shape=[1, 1]), name="Weights")
        bias = tf.Variable(initial_value=tf.random.normal(shape=[1, 1]), name="Bais")
        y_predict = tf.matmul(x, weights)+bias

    # 3）构造损失函数
    with tf.compat.v1.variable_scope("loss_function"):
        error = tf.reduce_mean(tf.square(y_true-y_predict))

    # 4）优化损失
    with tf.compat.v1.variable_scope("optimizer"):
        optimizer = tf.compat.v1.train.GradientDescentOptimizer(learning_rate=0.1).minimize(error)

    # 5）初始化变量
    init = tf.compat.v1.global_variables_initializer()

    # 6)开启会话
    with tf.Session() as sess:
        # 初始化变量
        sess.run(init)

        # 查看初始化模型后参数的值
        print("训练前模型参数为：权重%f，偏置%f，损失为%f" % (weights.eval(), bias.eval(), error.eval()))

        for i in range(100):
            sess.run(optimizer)
            print("第%d次训练后模型参数为：权重%f，偏置%f，损失为%f" % (i + 1, weights.eval(), bias.eval(), error.eval()))

        print("训练后模型参数为：权重%f，偏置%f，损失为%f" % (weights.eval(), bias.eval(), error.eval()))

    return None