当前位置：首页 > 编程日记 > 正文

TensorFlow——入门基础

编程日记 2024-10-29 10:50:00

TensorFlow原理：

TensorFlow使用Graph来描述计算任务,图中的节点被称之为op.一个op可以接受0或多个tensor作为输入,也可产生0或多个tensor作为输出.任何一个Graph要想运行,都必须借助上下文Session.通过Session启动Graph,并将Graph中的op分发到CPU或GPU上,借助Session提供执行这些op.op被执行后,将产生的tensor返回.借助Session提供的feed和fetch操作,我们可以为op赋值或者获取数据.计算过程中,通过变量(Variable)来维护计算状态.

1、TensorFlow基本概念

基本概念

类型	描述	用途
Session	会话	图必须在称之为“会话”的上下文中执行。会话将图的op分发到诸如CPU或者GPU上计算
Graph	描述计算过程	必须在Session中启动
tensor	数据（张量）	数据类型之一,代表多维数组
op	操作	图中的节点被称之为op，一个op获得0或者多个Tensor，执行计算，产生0或者多个Tensor
Variable	变量	数据类型之一,运行过程中可以被改变,用于维护状态
feed	赋值	为op的tensor赋值
fetch	取值	从op的tensor中取值
Constant	常量	数据类型之一,不可变

2、计算图（Graph）

（1）在TensorFlow中，系统会自动维护一个默认的计算图，通过tf.get_default_graph函数可以获取当前默认的计算图

#通过a.graph可以查看张量所属的计算图。因为没有特意指定，所以这个计算图

#应该等于当前默认的计算图。所以下面这个操作输出值为True

print(a.graph is tf.get_default_graph())

（2）TensorFlow支持通过tf.Graph函数来生成新的计算图

g1=tf.Graph()

with g1.as_default(): #在计算图g1中定义变量’v'，并设置初始值为0

v=tf.get_variable('v',initializer=tf.zeros_initializer([1]))

3、创建图和启动图

创建一个图并在Session中执行（TensorFlow实现一个简单的矩阵乘法）

import tensorflow as tf #引入TensorFlow包

v1=tf.constant([[2,3]]) #创建一个常量v1，它是一个1行2列的矩阵

v2=tf.constant([[2],[3]]) #创建一个常量v2，它是一个2行1列的矩阵

#创建一个矩阵乘法，创建乘法后，是不会立即执行的，要在会话中执行

product=tf.matmul(v1,v2)

sess=tf.Session() #定义一个会话

result=sess.run(product) #运算乘法，得到结果

print(result) #打印结果 #结果为 [[13]]

sess.close() #关闭会话

4、创建一个变量，并用for循环对变量进行赋值操作

TensorFlow使用Variables来维护图执行过程中的状态信息

import tensorflow as tf #引入TensorFlow包

num=tf.Variable(0,name='count') #创建一个变量num，初始化为0

new_value=tf.add(num,10) #创建一个加法操作，把当前数字加10

op=tf.assign(num,new_value) #创建一个赋值操作，把new_value赋值给num

#使用Python的上下文管理器机制，在运行完毕后，会话会自动关闭

with tf.Session() as sess:

sess.run(tf.global_variables_initializer()) #初始化变量

print(sess.run(num)) #打印最初的num值

for i in range(5): #创建一个for循环，每次给num+10，并打印出来

sess.run(op)

print(sess.run(num))

#输出结果如下

'''

5、通过feed设置placeholder的值

import tensorflow as tf

input1=tf.placeholder(tf.float32) #创建一个变量占位符input1

input2=tf.placeholder(tf.float32) #创建一个变量占位符input2

#创建一个乘法操作，把input1和input2相乘

new_value=tf.multiply(input1,input2)

#创建会话，使用此方法，在运行完毕后，会话自动关闭

with tf.Session() as sess:

#打印new_value的值，在运算时，用feed设置两个输入的值

print(sess.run(new_value,feed_dict={input1:[23.0],input2:[11.0]}))

#结果为253.0

6、通过Fetch在会话中同时设置多个op

import tensorflow as tf

input1=tf.constant(3.0) #设置三个常量

input2=tf.constant(2.0)

input3=tf.constant(5.0)

add=tf.add(input2,input3) #加法操作

mul=tf.multiply(input1,add) #乘法操作

with tf.Session() as sess:

result=sess.run([mul,add]) #在sess的运算中可以取回多个tensor

print(result)

#结果为[21.0, 7.0]

7、TensorFlow简单示例（实现单变量线性回归）

import tensorflow as tf

import numpy as np

#随机生成训练集

x_data=np.random.rand(100) #使用numpy生成100随机点

y_data=x_data*0.1+0.2

#构造一个线性模型

b=tf.Variable(0.) #设置参数变量并初始化为0

k=tf.Variable(0.)

y=k*x_data+b

#二次代价函数（损失函数）

loss=tf.reduce_mean(tf.square(y_data-y))

#定义一个梯度下降法来进行训练的优化器

optimizer=tf.train.GradientDescentOptimizer(0.2) #0.2表示学习率

#最小化代价函数

train=optimizer.minimize(loss)

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

with tf.Session() as sess:

sess.run(init) #在会话里运行初始化变量

for step in range(201): #迭代训练200次

sess.run(train)

if step%20==0: #每迭代20次输出k和b的值

print(step,sess.run([k,b]))

结果：

8、TensorFlow实现神经网络向前传播算法

import tensorflow as tf

#声明w1、w2两个变量

#通过seed参数设定了随机种子，可以保证每次运行得到的结果一样

#生成一个2*3的矩阵，矩阵中的元素是均值为0，标准差为1的随机数

w1=tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))

w2=tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))

'''

#将输入的特征向量定义为一个常量

x=tf.constant([[0.7,0.9]]) #x是一个1*2的矩阵

'''

#定义placeholder存放输入数据

x=tf.placeholder(tf.float32,shape=(3,2),name='x_input') #3行2列的样例数据

#通过前向传播算法获得神经网络的输出

a=tf.matmul(x,w1)

y=tf.matmul(a,w2)

with tf.Session() as sess:

init_op=tf.global_variables_initializer() #初始化所有的变量

sess.run(init_op)

print(sess.run(y,feed_dict={x:[[0.7,0.9],[0.1,0.4],[0.5,0.8]]}))

#结果为

'''

[[3.957578 ]

[1.1537654]

[3.1674924]]

'''

注：

（1）TensorFlow目前支持的所有随机数生成器

（2）

TensorFlow游乐场：https://playground.tensorflow.org

参考资料：《TensorFlow实战Google深度学习框架》

参考博客：https://blog.csdn.net/dd864140130/article/details/71774229

https://www.dkcj.cn/info/25154.html

TensorFlow——入门基础

相关文章：

EXT iconCls说明

25个好用到爆的一行 Python 代码，建议收藏

【工业串口和网络软件通讯平台(SuperIO)教程】七.二次开发服务驱动

usermod命令，用户密码管理和mkpasswd命令

extjs关于jsonreader

求逆元 - HNU 13412 Cookie Counter

IEEE 发布年终总结，AI 奇迹不再是故事

一则利用内核漏洞获取root权限的案例【转】

Ext.data库

2021年最有用的数据清洗 Python 库

组合与继承之重写方法和字段

20165334 四则运算阶段性总结（第二周）

取消掉Transfer-Encoding:chunked

【LeetCode】142 - Linked List Cycle II

3000 字详解 Pandas 数据查询，建议收藏

stylus使用文档总结：内置方法+参数+条件+迭代+导入+继承

用 Python 制作酷炫的可视化大屏，特简单！

HTTP协议中的Tranfer-Encoding：chunked编码解析

[转] splice系列系统调用

嵌入式s5vp210裸机 KXTF9-2050（G-sensor）

JavaScript面向对象编程

sublime text3 前端插件介绍

如何使用 OpenCV Python 检测颜色

使用树形结构保存实体

在Javascript中使用面向对象的编程

马斯克嘲笑「元宇宙」的想法，并给年轻人5条鸡汤

OpenLDAP自定义属性的启用

硬中断与软中断的区别！

smarty模板

乘“云原生”之风、踏“数字化”的浪，《新程序员003》开启预售！