Tensorflow 基础框架

待我称王封你为后i 2022-05-29 12:11 239阅读 0赞

Tensflow 基础框架

1. 处理结构

1.1 计算图纸：Tensorflow 首先要定义神经网络的结构, 然后再把数据放入结构当中去运算和 training.

因为TensorFlow是采用数据流图（data　flow　graphs）来计算, 所以首先我们得创建一个数据流流图, 然后再将我们的数据（数据以张量(tensor)的形式存在）放在数据流图中计算. 节点（Nodes）在图中表示数学操作,图中的线（edges）则表示在节点间相互联系的多维数据数组, 即张量（tensor). 训练模型时tensor会不断的从数据流图中的一个节点flow到另一节点, 这就是TensorFlow名字的由来.

1.2 张量：

*  张量有多种. 零阶张量为 纯量或标量 (scalar) 也就是一个数值. 比如 `[1]`
 *  一阶张量为 向量 (vector), 比如 一维的 `[1, 2, 3]`
 *  二阶张量为 矩阵 (matrix), 比如 二维的 `[[1, 2, 3],[4, 5, 6],[7, 8, 9]]`
 *  以此类推, 还有 三阶 三维的 …

1.3 例子

Tensorflow 是非常重视结构的, 我们得建立好了神经网络的结构, 才能将数字放进去, 运行这个结构.

这个例子简单的阐述了 tensorflow 当中如何用代码来运行我们搭建的结构.

from __future__ import print_function
    import tensorflow as tf
    import numpy as np
    
    # create data                                  #创建数据
    x_data = np.random.rand(100).astype(np.float32)
    y_data = x_data*0.1 + 0.3
    
    ### create tensorflow structure start ###      # 搭建模型
    Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
    biases = tf.Variable(tf.zeros([1]))
    
    y = Weights*x_data + biases  
    
    loss = tf.reduce_mean(tf.square(y-y_data))      #计算误差
    optimizer = tf.train.GradientDescentOptimizer(0.5)  #传播误差
    train = optimizer.minimize(loss)
    ### create tensorflow structure end ###
    
    sess = tf.Session()      #创建会话
    # tf.initialize_all_variables() no long valid from
    # 2017-03-02 if using tensorflow >= 0.12
    if int((tf.__version__).split('.')[1]) < 12 and int((tf.__version__).split('.')[0]) < 1:
        init = tf.initialize_all_variables()  #初始化所有之前定义的 variable
    else:
        init = tf.global_variables_initializer()
    sess.run(init)
    
    for step in range(201):   #逐步提升神经网络的预测准确性
        sess.run(train)
        if step % 20 == 0:
            print(step, sess.run(Weights), sess.run(biases))初始化所有之前定义的 variable
    else:
        init = tf.global_variables_initializer()
    sess.run(init)
    
    for step in range(201):   #逐步提升神经网络的预测准确性
        sess.run(train)
        if step % 20 == 0:
            print(step, sess.run(Weights), sess.run(biases))

2. Session

`Session` 是 Tensorflow 为了控制,和输出文件的执行的语句. 运行 `session.run()` 可以获得你要得知的运算结果, 或者是你所要运算的部分.

例子：建立两个 `matrix` ,输出两个 `matrix` 矩阵相乘的结果。因为 `product` 不是直接计算的步骤, 所以我们会要使用 `Session` 来激活 `product` 并得到计算结果. 有两种形式使用会话控制 `Session` 。

import tensorflow as tf
    
    matrix1 = tf.constant([[3, 3]])
    matrix2 = tf.constant([[2],
                           [2]])
    product = tf.matmul(matrix1, matrix2)  # matrix multiply np.dot(m1, m2)
    
    # method 1
    sess = tf.Session()
    result = sess.run(product)
    print(result)
    sess.close()   #需要手动关闭sess
    
    # method 2
    with tf.Session() as sess:
        result2 = sess.run(product)
        print(result2)    #会自动关闭sess,  结果都是12

3. Variable

在 Tensorflow 中，定义了某字符串是变量，它才是变量，这一点是与 Python 所不同的。

在 Tensorflow 中设定了变量，那么初始化变量是最重要的！！所以定义了变量以后, 一定要定义 `init = tf.initialize_all_variables()` .

import tensorflow as tf
    
    state = tf.Variable(0, name='counter')
    #print(state.name)
    one = tf.constant(1)    #定义常量one
    
    new_value = tf.add(state, one)   #定义加法步骤（注：此步并没有直接计算）
    update = tf.assign(state, new_value)   #将state更新成new_value
    
    # tf.initialize_all_variables() no long valid from
    # 2017-03-02 if using tensorflow >= 0.12
    if int((tf.__version__).split('.')[1]) < 12 and int((tf.__version__).split('.')[0]) < 1:
        init = tf.initialize_all_variables()    #马上要废弃的写法
    else:
        init = tf.global_variables_initializer()   #替换成这样更好
    
    with tf.Session() as sess:   #激活变量
        sess.run(init)
        for _ in range(3):
            sess.run(update)
            print(sess.run(state))   #结果：1 2 3

4. Placeholder 传入值（相当于模板）

`placeholder` 是 Tensorflow 中的占位符，暂时储存变量.Tensorflow 如果想要从外部传入data, 那就需要用到 `tf.placeholder()`, 然后以这种形式传输数据 `sess.run(***, feed_dict={input: **})`.

import tensorflow as tf
    
    #在 Tensorflow 中需要定义 placeholder 的 type ，一般为 float32 形式
    input1 = tf.placeholder(tf.float32)
    input2 = tf.placeholder(tf.float32)
    # mul = multiply 是将input1和input2 做乘法运算，并输出为 output 
    output = tf.multiply(input1, input2)
    
    #传值的工作交给了 sess.run() , 需要传入的值放在了feed_dict={}
    #并一一对应每一个 input. placeholder 与 feed_dict={} 是绑定在一起出现的
    with tf.Session() as sess:
        print(sess.run(output, feed_dict={input1: [7.], input2: [2.]}))
        #结果：14

5. 激励函数

激励函数：”掰弯利器”, 处理非线性函数问题，要求可微分。特别多层神经网络下，万万不得随意选择利器，因为可能会涉及梯度爆炸、梯度消失的问题。常用：relu、tanh。

问题：https://blog.csdn.net/u012318074/article/details/78844789

https://bbs.csdn.net/topics/392336453