tensorflow笔记（一）之基础知识

努力努力再努力F

发布于 2018-09-11 11:12:39

4040

发布于 2018-09-11 11:12:39

文章被收录于专栏：fangyangcoder

tensorflow笔记（一）之基础知识

http://www.cnblogs.com/fydeblog/p/7399701.html

前言

这篇notebook将一步步构建一个tensorflow的线性回归的例子，并讲述其中的一些基础知识。我会把notebook文件放在结尾的百度云链接。

首先第一步，要安装tensorflow，这个网上的教程很多，我安装的版本是ubuntu下1.2.1的tensorflow，推荐用pip（一步就好）这里附上一个安装教程的链接https://www.leiphone.com/news/201606/ORlQ7uK3TIW8xVGF.html ，安装ubuntu系统的直接看必不可少的python-pip和python-dev的那部分，这篇博客的博主安装的是0.8版本的，所以你需要改一下版本，由于我的电脑不支持gpu加速，所以安装的是cpu，这两个还是很有区别的，建议有gpu的还是装gpu版本的，后面跑程序快一些，举个例子，我在跑cnn卷积神经网络的手写识别的程序，没有gpu加速，跑了40分钟，有估计会很快，上面链接是cpu版本的，gpu版本应该也差不错，只有自己去安装了。

1. tensorflow的基本结构

我们先从python中导入tensorflow

import tensorflow as tf

这样命名比较简单明了，如果运行这行出现错误，说明你没有安装成功

matrix1 = tf.constant([[3., 3.]])  #1 row by 2 column
matrix2 = tf.constant([[2.],[2.]]) # 2 row by 1 column

这里用tf.constant创建了两个矩阵matrix1和matrix2，想知道如何去使用tf的函数，请点击https://www.tensorflow.org/api_docs/python/这个网址，里面是tf的api文档，可以直接在上面的搜索框内搜任何一个函数，可以看函数功能，参数，返回值等等。这里的tf.constant函数是创建一个常量，返回值等于函数的输入参数，之所以要用tf.constant，这是因为tensorflow有一个特别的地方，那就是用tensorflow的函数创建或返回一个数据，相当于一个源op，源op相当于tensorflow中最小的单元，每一个数据都是一个源op

创建完前面的两个常量后，我们开始矩阵相乘

product = tf.matmul(matrix1, matrix2)

tf.matmul函数是tensorflow里面的矩阵相乘函数。product也是一个源op，现在我们讲讲图（graph）的概念，tensorflow中图表示计算任务，上面几行代码似乎看不到图的生成过程哈，这是因为tensorflow有一个默认图，它已经能满足大部分需求，所以不需要构建图，目前笔记都会是默认图，多图操作我现在还不会，看以后有没有机会写吧。在这个默认图中，已经有三个源op了，分别是product，matrix1和matrix2，我们可以将三个源op看作默认图中的三个节点，但这三个节点是有关系的，product节点连接这matrix1和matrix2节点，有点像树的分叉，product相当于主干，matrix1和matrix2相当于两个分支。

然后我们要创建一个会话

sess = tf.Session()

tensorflow要求所有的任务必须在会话中运行，上面这个语句就是创建一个会话

然后我们在会话中运行product

sess.run(product)

返回结果1X1的矩阵，数据类型是float32（tensorflow的默认类型）

我们来自顶向下看，最顶的是会话（Session），然后会话中包括了各种任务，也是graph，任务又是由不同的源op组成。我用tensorboard画了图(tensorboard是tensorflow可视化的一个非常好的工具，这个后面会说)，如图

2. tensorflow下的回归实例

好了，现在我们开始举一个回归例子来实践一下吧

import tensorflow as tf
import numpy as np

## prepare the original data
x_data = np.random.rand(100).astype(np.float32)
y_data = 0.3*x_data+0.1
##creat parameters
weight = tf.Variable(tf.random_uniform([1],-1.0,1.0))
bias = tf.Variable(tf.zeros([1]))
##get y_prediction
y_prediction = weight*x_data+bias
##compute the loss
loss = tf.reduce_mean(tf.square(y_data-y_prediction))
##creat optimizer
optimizer = tf.train.GradientDescentOptimizer(0.5)
#creat train ,minimize the loss 
train = optimizer.minimize(loss)
#creat init 
init = tf.global_variables_initializer()

##creat a Session 
sess = tf.Session()
##initialize
sess.run(init)
## Loop
for step  in  range(101):
    sess.run(train)
    if step %10==0 :
        print step ,'weight:',sess.run(weight),'bias:',sess.run(bias)

第一项是准备数据，使用了numpy的函数，随机生成100个float32型的数据，并生成相应的观测值y 第二项是生成训练参数，权重weight和偏差bias，这个是tf.Variable函数生成了，这个函数非常常用，变量都是用它来生成的第三项是得到预测值，通过上面的参数与x_data运算得到第四项计算损失，观测值与预测值相差平方取平均第五项生成一个优化器，使用的是梯度下降优化器第六项则是用优化器去最小化损失第七项是生成初始化op,相当于所有变量初始化的开关，在sess里运行则所有变量进行初始化第八项是生成会话session 第九项是初始化所有变量，只有用tf.Variable函数，都要用这个sess.run(init)初始化，不然参数没有进行初始化，无法迭代更新第十项是循环训练，执行train，它会最小化损失，在这个过程中，参数也在不停地更新，我们用print打印出了步数和参数值这个说一句，使用tf函数生成的源op，必须在会话中运行，上面一小节我们讲了自顶向下看，这里的顶是train，最下面是参数，sess.run(train)会带动它各个分支和分支下面的分支运行

上述程序输出结果如下