如何使用TensorFlow

TensorFlow的使用分为下面几步

先定义训练的数据集
定义输入输出
定义计算图
定义损失函数
训练的过程

好了，你已经学会怎么使用TensorFlow，现在来试着写一个简单的线性回归吧！

目标

实现线性回归方程：y = a*x+b

首先先导入包，使用V1的版本

import numpy as np
import matplotlib.pyplot as plt
try:import tensorflow.compat.v1 as tftf.disable_v2_behavior()
except:import tensorflow as tf

定义训练数据集

定义x函数为-1到1，间距100

trainX = np.linspace(-1,1,100)

加入噪声，均值为0，方差为0.05，形状和trainX一样

noise = np.random.normal(0,0.05,trainX.shape)

定义y函数为线性函数，同时添加一些噪声数据

trainY = 4*trainX+10+noise

训练集定义结束，开始定义输入输出

定义输入值，输入结构的输入行数不固定

xs=tf.placeholder(tf.float32)
ys=tf.placeholder(tf.float32)

定义输出值 a ，b值为浮点型名叫a b

a = tf.Variable(0.0,name="a")
b = tf.Variable(0.0,name="a")

输入输出定义完成后，开始定义计算图

这次计算图是个线性方程

y = a*xs+b

接着定义损失函数，让损失值在一定的区间内

loss = tf.square(y-ys)
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(loss)#设置反向传播算法

最后可以创建会话，开始训练

with tf.Session() as sess:sess.run(tf.initialize_all_variables())plt.ion()  # 打开互交模式for i in range(10):for (X,Y) in zip(trainX,trainY):_,w_value,b_value = sess.run([train_step,w,b],feed_dict={xs:X,ys:Y})print("step:{},w:{},b:{}".format(i+1,w_value,b_value))plt.plot(trainX,trainY,'+')plt.plot(trainX,w.eval()*trainX+b.eval())# 暂停时间plt.pause(0.5)

运行结果

完整代码

import numpy as np
import matplotlib.pyplot as plt
# 首先先导入包，使用V1的版本
try:import tensorflow.compat.v1 as tftf.disable_v2_behavior()
except:import tensorflow as tf
# 定义训练数据集
trainX = np.linspace(-1,1,100)
noise = np.random.normal(0,0.05,trainX.shape)
trainY = 4*trainX+10+noise
# 定义输入输出
xs=tf.placeholder(tf.float32)
ys=tf.placeholder(tf.float32)
a = tf.Variable(0.0,name="a")
b = tf.Variable(0.0,name="a")
# 定义计算图
y = a*xs+b
loss = tf.square(y-ys)
# 定义损失函数
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(loss)#设置反向传播算法
# 创建会话，开始训练
with tf.Session() as sess:sess.run(tf.initialize_all_variables())plt.ion()  # 打开互交模式for i in range(10):for (X,Y) in zip(trainX,trainY):_,a_value,b_value = sess.run([train_step,a,b],feed_dict={xs:X,ys:Y})print("step:{},a:{},b:{}".format(i+1,a_value,b_value))plt.plot(trainX,trainY,'+')plt.plot(trainX,a.eval()*trainX+b.eval())# 暂停时间plt.pause(0.5)

Python学习记录如何使用TensorFlow相关推荐

【Python学习记录】Numpy广播机制(broadcast)
✨ 博客主页:小小马车夫的主页 ✨ 所属专栏:Python学习记录文章目录一.什么是Numpy广播机制二.Numpy广播应用三.Numpy广播规则一.什么是Numpy广播机制在Numpy. ...
Python学习记录day3
2019独角兽企业重金招聘Python工程师标准>>> Python学习记录 day3 今天是银角大王武sir讲课.先回顾了上节课所学,然后讲到了面向对象思想. set set是一个 ...
Python学习记录——英文名修改成标准格式
Python学习记录--英文名修改成标准格式功能需求把用户输入的不规范的英文名字,变为首字母大写,其他小写的规范名字.输入:['adam', 'LISA', 'barT'],输出:['Adam', ...
python学习记录——容器篇
容器字符串下标(索引) # 下表也称为是索引,是一个整型数字,可以是正数,也可以是负数 # 正数下标是从0开始的,表示第一个字符,-1表示最后一个字符 my_str = 'hello'h e l ...
Python学习记录day6-反射、常用模块
Python学习记录day6-反射.常用模块 @(学习)[python] Python学习记录day6-反射常用模块反射常用模块 1 sys System-specific parameters ...
Opencv+Python学习记录9：掩膜（掩码）的使用（内附详细代码）
一,基本概念 OpenCV中的很多函数都会指定一个掩模,也被称为掩码,例如: 计算结果=cv2.add(参数1,参数2,掩模) 当使用掩模参数时,操作只会在掩模值为非空的像素点上执行,并将其他像素点的 ...
蜗牛一步一步地往上爬的Python学习记录
Python学习记录前言简介基础知识类型变量高级特性函数式编程高阶函数偏函数装饰器decorator 匿名函数前言第一,绝对不断更: 第二,绝对认真写: 第三,绝对撰写的公正漂亮 ...
Python学习记录:shapefile.Writer报错
Python学习记录 shapefile.Writer报错 w=shapefile.Writer(r.shapeType)使用时报错 Exception: The target filepath 5 ...
Python学习记录（一）PIL库对于图像操作方法的简单整理
Python学习记录(一)PIL库对于图像操作方法的简单整理首先对PIL库进行一个简单的介绍:Python图像库PIL(Python Image Library)是python的第三方图像处理库,由 ...

Python学习记录如何使用TensorFlow

如何使用TensorFlow

目标

首先先导入包，使用V1的版本

定义训练数据集

训练集定义结束，开始定义输入输出

输入输出定义完成后，开始定义计算图

接着定义损失函数，让损失值在一定的区间内

最后可以创建会话，开始训练

运行结果

完整代码

Python学习记录如何使用TensorFlow相关推荐

最新文章

热门文章

Python学习记录 如何使用TensorFlow

如何使用TensorFlow

目标

首先先导入包，使用V1的版本

定义训练数据集

训练集定义结束，开始定义输入输出

输入输出定义完成后，开始定义计算图

接着定义损失函数，让损失值在一定的区间内

最后可以创建会话，开始训练

运行结果

完整代码

Python学习记录 如何使用TensorFlow相关推荐

最新文章

热门文章

Python学习记录如何使用TensorFlow

Python学习记录如何使用TensorFlow相关推荐