　　　　　　　　　　　　　　　　　tensorflow学习笔记（1）

　　（1）tf中的图

　　图中就是一个计算图，一个计算过程。图中的constant是个常量

　　计算图只描述过程，不执行。

　　（2）tf中的会话

　　那么怎么计算呢？

　　tensorflow有个会话是专门用来计算的

import tensorflow as tf

x=tf.constant([[1.0,2.0]])

w=tf.constant([[3.0],[4.0]])

y=tf.matmul(x,w)

print(y)

with tf.Session() as sess:

    print(sess.run(y))

　　这里定义了个矩阵相乘的运算，并用会话结构 with tf.session() as sess:计算

　　打印结果为 1*3+2*4=11没毛病

　　　（3）tf中的变量

　　tf中遍历就是神经元上的参数或者说是权重w，我们要改变的就是这个参数。

　　seed是随机数种子，不加的话每次生成的都不一样

　　除了正太分布tf还提供均匀分布，还有零矩阵和1矩阵的初始化，还有填充矩阵和constant矩阵的初始化方法

　　变量的初始化：在sess.run()中使用tf.global_variablies_initializer()

　　如

init_op=tf.global_varibles_initializer()

sess.run(init_op)

　　（4）tf.placeholder

　　这是个占位的作用，可以理解为申明定义变量

　　如x=tf.placeholder(tf.float32,shape=(1,2))这是声明

　　然后喂入一组数据

　　sess.run(y,feed_dict={x:[[0.5,0.6]]})

　　喂入多组数据

　　x=tf.placeholder(tf.float32,shape=(None,2))#none表示不限样本数

　　sess.run(y,feed_dict={x:[[0.1,0.2],[0.2,0.3],[0.4,0.5]]})

　　（5）神经网络四部曲

　　1.准备数据和提取特征值输入神经网络

　　2.搭建NN结构，先搭建图然后运算（前向传播）（计算输出）

　　3.大量数据喂入NN，迭代优化参数（权重和偏置）（NN反向传播算法）

　　4.用训练好的模型分类预测

　　（5）这里实现一个简单2层网络模型

# -*- coding: utf-8 -*-
import tensorflow as tf

#两层神经网络（全连接过程）

#初始化特征值和参数

x=tf.constant([[0.7,0.5]])

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

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

#定义前向传播过程

a=tf.matmul(x,w1)

y=tf.matmul(a,w2)

#用会话计算结果

with tf.Session() as sess:

    init_op=tf.global_variables_initializer()

    sess.run(init_op)

    print(sess.run(y))

　　运行结果如下

　　这是喂入多组数据的方法

　　这里的特征值我们已经固定，我们也可以先用placeholdr占位，然后再sess.run()里面喂入feed_dict={xxx}

巴特西

tensorflow学习笔记(1)-基本语法和前向传播

tensorflow学习笔记（1）

最新文章

热门文章