Ternsorflow 学习：001-通过例程，初步了解Tensorflow

前言

本章的目的是了解和运行 TensorFlow，在开始之前，让我们先看一段使用 Python API 撰写的 TensorFlow 示例代码，让你对将要学习的内容有初步的印象。

下面这段短小的 Python 程序将把一些数据放入二维空间，再用一条线来拟合这些数据：

import tensorflow as tf

import numpy as np

 # Create 100 phony x, y data points in NumPy, y = x * 0.1 + 0.3

x_data = np.random.rand(100).astype("float32")

y_data = x_data * 0.1 + 0.3

# Try to find values for W and b that compute y_data = W * x_data + b

# (We know that W should be 0.1 and b 0.3, but Tensorflow will

# figure that out for us.)

w = tf.Variable(tf.random_uniform([1],-1.0,1.0))

b = tf.Variable(tf.zeros([1]))

y = w * x_data +b

# Minimize the mean squared errors.

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

optimizer = tf.train.GradientDescentOptimizer(0.5)

train = optimizer.minimize(loss)

# Before starting, initialize the variables. We will 'run' this first

init = tf.initialize_all_variables()

# Launch the graph.

sess = tf.Session()

sess.run(init)

# Fit the line.

for step in range(201):

    sess.run(train)

    if step % 20 ==0:

        print(step, sess.run(w), sess.run(b))

# Learns best fit is W: [0.1], b: [0.3]

以上代码的第一部分构建了数据的流向图 (ﬂow graph)．在一个 session 被建立并且run()函数被运行前，TensorFlow 不会进行任何实质的计算．在虚拟环境下运行python3 tf_001.py以后的执行结果为：

0 [0.5336875] [0.07610922]

20 [0.22660719] [0.2293212]

40 [0.13763347] [0.278991]

60 [0.1111864] [0.29375517]

80 [0.10332511] [0.29814377]

100 [0.10098837] [0.29944825]

120 [0.10029378] [0.299836]

140 [0.10008732] [0.29995126]

160 [0.10002597] [0.2999855]

180 [0.10000773] [0.2999957]

200 [0.10000231] [0.29999873]

(tensorflow-dev)

为了进一步激发你的学习欲望, 我们想让你先看一下 TensorFlow 是如何解决一个经典的机器学习问题的。

在神经网络领域，最为经典的问题莫过于 MNIST 手写数字分类。

为此，我们准备了两篇不同的教程,分别面向初学者和专家。如果你已经使用其它软件训练过许多MNIST模型，请参阅高级教程(红色药丸)．如果你以前从未听说过MNIST，请先阅读初级教程 (蓝色药丸)．如果你的水平介于这两类人之间, 我们建议你先快速浏览初级教程，然后再阅读高级教程。

巴特西

Ternsorflow 学习：001-通过例程，初步了解Tensorflow

前言

最新文章

热门文章