TensorFlow学习笔记之基本使用

TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统，其命名来源于本身的运行原理。Tensor（张量）意味着N维数组，Flow（流）意味着基于数据流图的计算，TensorFlow为张量从流图的一端流动到另一端计算过程。TensorFlow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统。
TensorFlow可被用于语音识别或图像识别等多项机器学习和深度学习领域，对2011年开发的深度学习基础架构DistBelief进行了各方面的改进，它可在小到一部智能手机、大到数千台数据中心服务器的各种设备上运行。TensorFlow将完全开源，任何人都可以用。所以关注技术发展动向,实时掌握最新的技术信息.

本文章引用 http://www.zhoutao123.com/?p=152

TensorFlow的安装

安装步骤如下:

安装Python(Windows用户安装Pyhton3+，MacOS和Linux用户随意)
使用pip安装TensorFLow
输入import tensorflow如果没有报错，说明安装chenggong

Tensorflow的基本使用

Tensorflow的基本运算

import tensorflow as tf
#运行完成之后，终端输入tensorboard --logdir="./graphs"后在浏览中
#访问localhost:6006
if __name__ == '__main__':
    # 定义常量,类型是float32
    x = tf.constant(3.0,dtype=tf.float32,name='num1')
    y = tf.constant(4.0,dtype=tf.float32,name='num2')
    # tensorflow的加法
    add_op = tf.add(x, y,name="add_op")

    # tensorflow的减法
    sub_op = tf.subtract(x,y,name="sub_op")
    
    # tensorflow的乘法
    mul_op = tf.multiply(x, y,name="mul_op")
    
    # tensorflow乘法
    useless = tf.multiply(sub_op, add_op,name="useless")
    
    # tensorflow的幂运算
    pow_op = tf.pow(add_op, mul_op,name="pow_op")

    # 使用Session进行运算
    with tf.Session() as sess:
        # 开始在session运算
        sess.run(pow_op)
        # 记录流程图到文件中
        writer = tf.summary.FileWriter('./graphs', sess.graph)
        # 控制台输出数据
        print(sess.run(add_op))
    writer.close()

Tensorflow变量的定义以及其运算

import tensorflow as tf

if __name__ == '__main__':
    # 定义标量变量
    x1 = tf.Variable(2.0, dtype=tf.float32, name='x_number_1')
    # 定义向量变量
    x2 = tf.Variable([34.0,43.65], dtype=tf.float32, name='x_number_2')
    # 定义矩阵(张量)变量
    x3 = tf.Variable([[34.0, 23.1], [1.2, 12.3]], dtype=tf.float32, name='x_number_3')
    # 使用tersorflow定义4行3列的全0矩阵
    x4 = tf.Variable(tf.zeros([4, 3]), dtype=tf.float32, name='x_number_4')
    # 进行乘法运算
    mul = tf.multiply(x2,x3)
    normal = tf.Variable(10,name='normalVariable')
    # TensorFLow的赋值运算
    normal_new = normal.assign(100)
    # 准备初始化全局变量
    init = tf.global_variables_initializer()
    with tf.Session() as session:
        # 初始化全部的变量信息
        session.run(init)
        print '矩阵计算结果是:',session.run(mul)
        print '生成4*3的矩阵:',session.run(x4)
        print '执行操作之前变量normal的值为:',normal.eval()
        print '从Session中执行的返回值是',session.run(normal_new)
        print '执行操作之后变量normal的值为:',normal.eval()

TensorFLow中占位符的使用方法

# 学习内容:占位符的使用方法
import tensorflow as tf

if __name__ == '__main__':
    # 定义占位符,即相当于起个名称，但是具体的值在使用的时候在赋予
    num1 = tf.placeholder(dtype=tf.float32,shape=[3],name='unknowdata')
    num2 = tf.Variable(10,dtype=tf.float32,name='mul_sc')
    num3 = tf.multiply(num2,num1)
    # 初始化全局变量
    init = tf.global_variables_initializer()
    with tf.Session() as session:
        session.run(init)
        # 在此处使用了num3,而num3=num2*num1
        # 所以通过feed_dict赋予参数，参数为字典类型
        result = session.run(num3,feed_dict={num1:[1.1,2.2,3.3]})
        print result

待续

首先展示一下第二章节的线性回归的图示和损耗降低的图示，敬请期待第二章节。

image

最后编辑于：2018.02.27 09:05:37