tensorflow初学

　　初识变量：

　　　　首先是变量的声明，因为是基于Python的语法，所以直接定义：a=3; 

　　　　 向量的定义需要用到tensorflow的相关函数：

　　　　　　　　

 　　　　 向量相乘：

　　　　　　

 　　　　 

　　　　  这时候直接输出结果显示的格式不是数值，因此我们需要转换，首先将所有全局变量初始化：

　　　　　　　　

　　　　　之后：

　　　　　　　　

　　　　　print之前转化：

　　　　　　

 常用的基本操作：　　

　　　　推荐使用float32，cpu和gpu都适合，防止出一些错误。

　　　　定义一个3行4列的矩阵，类型为int32：

 　　　　

　　　　仿照前面去定义：

　　　　第二行的like定义了一个和上面的tensor一样的2行3列的元素都是0的矩阵，第三行的ones定义了一个2行3列都是1的矩阵

　　　　

　　　　

 　　　　创建一个矩阵同样需要用函数转化一下：

 　　　　　

　　　　创建一个都是-1.0的2行3列矩阵：

 　　　　创建一个从10开始，到12结束的一共三列的矩阵：

　　　　

 　　　　创建一个从3开始到18结束的左闭右开的以3为界的矩阵：

　　　　还可以随机创建满足限定条件的函数：

　　　　　 创建一个2行3列的均值为-1方差为4的矩阵：

 　　　　还可以对定义好的矩阵进行随机换行操作：

　　　　　　用到了shuff函数：

 　　　　　　　　结果：

 　　　　计算：

　　　　　　定义state=0：state = tf.Variable(0)

　　　　　　使用函数将state和1相加：new_value = tf.add(state,tf.constant(1))

　　　　　　使用函数将new_value的值赋给state：update = tf.assign(state,new_value)

　　　　在for循环中，每执行一次循环都要重新run一次update，从而达到数据更新的目的：

　　　　　　

　　　　将numpy的格式转换为tensorflow：

 　　　　线性回归模型：

　　　　这里最开始我敲代码的时候报错，原因是没有在tensorflow中下载matplotlib，需要在Anaconda Promat中下载一个，其实我我conda list查看的时候是有matplotlib的，可能因为版本问题，我uninstall卸载之后重新下载了，重启客户端就能用了。虽然还报一个numpy版本过高，但是不影响图的出现和后面结果。版本过高可以直接降低版本，使用1.16.0就不报错了。

import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt

# 随机生成1000个点，围绕在y=0.1x+0.3y的直线周围

num_points = 1000
vectors_set = []
for i in range(num_points):
    x1 = np.random.normal(0.0,0.55)
    y1 = x1*0.1 + 0.3+np.random.normal(0.0,0.03)
    vectors_set.append([x1,y1])
# 生成一些样本
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()

　　　　　生成图像：

 　　　　 继续：

#生成一维的W矩阵，取值是【-1,1】之间的随机数
W = tf.Variable(tf.random_uniform([1],-1.0,1.0),name='W')
#生成一维矩阵b，初始值为0
b = tf.Variable(tf.zeros([1]),name='b')
#经过计算得出预估值y
y = W*x_data+b

#以预估值y和实际值y_data之间的均方差作为损失
loss = tf.reduce_mean(tf.square(y-y_data),name='loss')
#采用梯度下降法优化参数
optimizer = tf.train.GradientDescentOptimizer(0.5)
#训练的过程就是最小化这个误差值
train = optimizer.minimize(loss,name='train')


sess = tf.Session()

init = tf.global_variables_initializer()
sess.run(init)
#初始化的W和b
print ("W=",sess.run(W),"b=",sess.run(b),"loss=",sess.run(loss))

#训练20次
for step in range(20):
    sess.run(train)
    #输出训练好的w和b
    print ("W=",sess.run(W),"b=",sess.run(b),"loss=",sess.run(loss))

　　　　结果：第一行是最开始的初始化的w和b，往后是每次训练输出的w和b，w越来越趋近于0.1，b越来越趋近于0.3，loss越来越小。

　　　　　　　　

　　　　　mnist数据集：

　　　　　只是简单地介绍了一下，给看了几张图片，另外我在import的时候并没有出错

　　　　　后面一节也是讲解了一些函数和导入包

今日学习结束，敲代码+看视频+解决问题总共历时大约7小时。