【tensorflow】基础二：tensorflow分类实现

短命女 2022-05-21 10:07 291阅读 0赞

### 1.tensorflow重置计算图 ###

from tensorflow.python.framework import ops
    ops.reset_default_graph()
    sess = tf.Session() #创建计算图会话

### 2.tensorflow扩展张量维度 ###

tf.expend_dim()

### 3.tensorflow随机单样本训练和批量训练 ###

# 用np生成x_vals和y_vals就不用像tf中的计算图那样需要运行计算图。
    x_vals = np.concatenate((np.random_normal(-1,1,50),np.random_normal(3,1,50)))
    y_vals = np.concatenate((np.repeat(0.,50), np.repeat(1.,50)))

##### 随机单样本 #####

#生成占位符
    x_data= tf.placeholder(shape = [1], dtype = tf.float32)
    y_data= tf.placeholder(shape = [1], dtype = tf.float32)

##### 批量训练 #####

# 生成占位符
    x_data = tf.placeholder(shape = [None,1], dtype = tf.float32)
    y_data= tf.placeholder(shape = [None,1], dtype = tf.float32)
    
    # 注意批处理的时候计算loss需要求平均
    loss = tf.reduce_mean(tf.square(my_output - target))

### 4.tensorflow处理iris数据集分类 ###

#用np处理iris数据集
    iris = datasets.load_iris()
    binary_target = np.array([1. if x == 0 else 0. for x in iris.target])
    iris_2d = np.array([ [x[2],x[3]] for x in iris.data ])
    A = tf.Variable(tf.random_normal(shape=[1,1]))
    b = tf.Variable(tf.random_normal(shape=[1,1]))
    
    #这段就相当于用特征x1_data,x2_data来计算出my_output最终根据my_output来判断物体当前类别。
    my_mult = tf.matmul(x2_data,A)
    my_add = tf.add(my_mult,b)
    my_output = tf.sub(x1_data, my_add)
    
    
    #已知A，b用np把那条分类线画出来
    [[slope]] = sess.run(A)
    [[intercept]] = sess.run(b)
    #这相当于曲线展示的时候的横坐标
    x = np.linspace(0, 3, num = 50)
    y = []
    for i in x:
        y.append(slope*i + intercept)
    plt.plot(x, y, 'b--')