美文网首页
day01—基础

day01—基础

作者: bearcode | 来源:发表于2019-02-19 19:29 被阅读0次

    Day01、入门—TensorFlow

    教程源于:莫烦python:https://morvanzhou.github.io/tutorials/machine-learning/tensorflow/

    import tensorflow as tf
    import numpy as np
    
    # ###-------1、---------最初例子-----------------------------
    # #创建数据
    # x_data = np.random.rand(100).astype(np.float32)
    # y_data = x_data*0.1 + 0.3
    #
    # #用 tf.Variable 来创建描述 y 的参数,把 y_data = x_data*0.1 + 0.3
    # #想象成 y=Weights * x + biases, 然后神经网络也就是学着把
    # # Weights 变成 0.1, biases 变成 0.3.
    #
    # #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
    #
    # #计算误差
    # loss = tf.reduce_mean(tf.square(y-y_data))
    #
    # #传播误差
    # optimizer = tf.train.GradientDescentOptimizer(0.5)
    # train = optimizer.minimize(loss)
    #
    # #训练
    #  #先初始化所有之前定义的Variable
    # init = tf.global_variables_initializer()
    #
    #  #创建回话Session
    # sess = tf.Session()
    # sess.run()
    #
    # for step in range(201):
    #     sess.run(train)
    #     if step % 20 == 0:
    #         print(step,sess.run(Weights),sess.run(biases))
    
    # ###-------2、-----简单应用----session会话控制--------------
    #
    # import tensorflow as tf
    #
    # matrix1 = tf.constant([[4,3]])
    # print("matrix1:",matrix1)
    #
    # matrix2 = tf.constant([[2],[2]])
    # print("matrix2:",matrix2)
    #
    # product = tf.matmul(matrix1,matrix2)
    # print(product)
    #
    # #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
    # #方法1:
    # sess = tf.Session()
    # result = sess.run(product)
    # print(result)   #[[14]]
    # sess.close()
    # #方法2:
    # with tf.Session as sess:
    #     result2 = sess.run(product)
    #     print(result2)     #[[14]]
    
    # ###------3、------简单应用----Variable--------------
    #
    # import tensorflow as tf
    #
    # state = tf.Variable(0,name='counter')
    #
    # #定义常量 one
    # one = tf.constant(1)
    #
    # #定义加法步骤(注:此步并没有直接计算)
    # new_value = tf.add(state, one)
    #
    # #将State 更新成new_value
    # update = tf.assign(state,new_value)
    #
    # #如果你在 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() .
    # #init = tf.initialize_all_variables()  #tf马上要废弃这种写法
    # init = tf.global_variables_initializer() #替换成这样写就好
    #
    # #使用session
    # with tf.Session() as sess:
    #     sess.run(init)
    #     for step in range(3):
    #         print("before:",sess.run(state))
    #         sess.run(update)
    #         print("after",sess.run(state))
    # ###输出结果:
    #             # before: 0
    #             # after 1
    #             # before: 1
    #             # after 2
    #             # before: 2
    #             # after 3
    
    # ###------4、------简单应用----Variable--------------
    #
    # 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)
    #
    # #同理,传值工作交给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.]}))    #[14.]
    #     print(sess.run(output, feed_dict={input1: [1,3], input2: [2,4]}))    #[ 2. 12.]
    #     print(sess.run(output, feed_dict={input1: 3, input2: 2}))      #6.0
    
    ###------5、----------add_layer()--------------
    
    import tensorflow as tf
    import numpy as np
    import matplotlib.pyplot as plt
    
    ##!!!!!!!!!!!!!!!!!!add_layer()!!!!!!!!!!!!!!!!!!!!!!!!!!
    #定义添加神经层的函数def add_layer(),它有四个参数:输入值、输入的大小、输出的大小和激励函数,我们设定默认的激励函数是None
    def add_layer(inputs,in_size,out_size,activation_function=None):
        #神经层里常见的参数通常有weights、biases和激励函数。
        Weights = tf.Variable(tf.random_normal([in_size,out_size]))
        biases = tf.Variable(tf.zeros([1,out_size]) + 0.1)
        Wx_plus_b = tf.matmul(inputs,Weights) + biases   #定义Wx_plus_b, 即神经网络未激活的值
    
        #当activation_function——激励函数为None时,输出就是当前的预测值——Wx_plus_b,
        #不为None时,就把Wx_plus_b传到activation_function()函数中得到输出。
        if activation_function is None:
            outputs = Wx_plus_b
        else:
            outputs = activation_function(Wx_plus_b)
    
        return outputs
    
    ##!!!!!!!!!!!!!!!!!!!!!!!!!构建神经网络!!!!!!!!!!!!!!!!!!!!!!
    #导入数据
    #构建所需数据,这里的x_data和y_data并不是严格的一元二次函数的关系,因为我们多加了一个noise,这样看起来会更像真实情况
    x_data = np.linspace(-1,1,300,dtype = np.float32)[:,np.newaxis]
    noise = np.random.normal(0,0.05,x_data.shape).astype(np.float32)
    y_data = np.square(x_data) - 0.5 + noise
    
    #利用占位符定义我们所需的神经网络的输入。
    #tf.placeholder()就是代表占位符,这里的None代表无论输入有多少都可以,因为输入只有一个特征,所以这里是1。
    xs = tf.placeholder(tf.float32,[None,1])
    ys = tf.placeholder(tf.float32,[None,1])
    
    #搭建网络
    l1 = add_layer(xs,1,10,activation_function=tf.nn.relu)
    
    prediction = add_layer(l1,10,1,activation_function=None)
    
    #计算预测值prediction和真实值的误差,对二者差的平方求和再取平均。
    loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1]))
    
    train_step = tf.train.GradientDescentOptimizer(learning_rate=0.1).minimize(loss)   #以0.1的效率来最小化误差loss
    
    #使用变量时,都要对变量进行初始化,必不可少
    init = tf.global_variables_initializer()
    
    #定义Session,并用Session来执行init初始化步骤
    sess = tf.Session()
    sess.run(init)
    
    #训练
    #让机器学习1000次,机器学习的内容是train_step,用Session来run每一次training的数据,逐步提升神经网络的预测准确率
    for i in range(1000):
        #training
        sess.run(train_step,feed_dict={xs:x_data,ys:y_data})
        if i % 50 == 0:
            try:
                ax.lines.remove(lines[0])
            except Exception:
                pass
            #每50步输出一下机器学习的误差
            print(sess.run(loss,feed_dict={xs:x_data,ys:y_data}))
            prediction_value = sess.run(prediction,feed_dict={xs:x_data})
            # 可视化
            fig = plt.figure()
            ax = fig.add_subplot(1, 1, 1)
            ax.scatter(x_data, y_data)
            # plt.ion()
            lines = ax.plot(x_data,prediction_value,'r-',lw=5)
            plt.pause(0.1)
            plt.show()
    

    相关文章

      网友评论

          本文标题:day01—基础

          本文链接:https://www.haomeiwen.com/subject/gpofyqtx.html