GET STARTED
我们先看文档上第一段代码，一段简单拟合
import tensorflow as tf
import numpy as np
# 使用 NumPy 生成假数据(phony data), 总共 100 个点.
x_data = np.float32(np.random.rand(2, 100)) # 随机输入，随机生成 2*100 的矩阵，矩阵内随机样本位于[0, 1)中
# 拟合目标,dot 方法为矩阵乘法，1 * 2 与 2 * 100
# 结果为1 * 100矩阵，再进行广播运算，矩阵内所有样本加上 0.300，
y_data = np.dot([0.100, 0.200], x_data) + 0.300
# 构造一个线性模型
# 偏置 b， 长度为1，样本为0
b = tf.Variable(tf.zeros([1]))
# 参数 W 形状为 1 * 2
W = tf.Variable(tf.random_uniform([1, 2], -1.0, 1.0))
# 构造的线性模型
y = tf.matmul(W, x_data) + b
# 设置方差为损失函数
loss = tf.reduce_mean(tf.square(y - y_data))
# 优化器--梯度下降
optimizer = tf.train.GradientDescentOptimizer(0.5)
# 向最小化损失的方向进行
train = optimizer.minimize(loss)
# 初始化变量
init = tf.global_variables_initializer()
# 启动图 (graph)
sess = tf.Session()
sess.run(init)
# 拟合平面
for step in range(0, 201):
sess.run(train)
if step % 20 == 0:
# 每 20 轮打印一次拟合结果
print(step,sess.run(W),sess.run(b))
上述代码修改自，文档简介一张，改为Python 3代码，修改三处，替换了过时的初始化方法、 xrange 改为 range，和 print 函数，添加了部分注释。
在我的环境运行，除了提示 CPU 支持 AVX2 指令集，我现在使用的版本无法利用外，输出如下：
0 [[0.22787997 0.51918703]] [0.13709038]
20 [[0.17085488 0.2892436 ]] [0.21785735]
40 [[0.13355325 0.2313425 ]] [0.2666235]
60 [[0.11450518 0.21202013]] [0.28634468]
80 [[0.1060768 0.20480107]] [0.29439792]
100 [[0.10251605 0.2019507 ]] [0.2976993]
120 [[0.10103704 0.20079806]] [0.29905474]
140 [[0.10042668 0.2003274 ]] [0.29961157]
160 [[0.10017543 0.20013446]] [0.29984036]
180 [[0.10007212 0.20005524]] [0.2999344]
200 [[0.10002964 0.20002273]] [0.29997304]
可见拟合结果距离我们构造的参数[0.100, 0.200]，[0.300] 非常接近。
代码结构
代码整体很简单，分为几个部分
- 构造输入样本和输入标签（样本、标签的处理）
- 构造线性模型
- 设置损失函数、优化器和训练方法
- 启动图，在图内进行初始化、训练并打印拟合结果
总结
文档一开始进给了一个简单的例子，虽然是个简单的例子，但是里面的每一步都是不可缺少的，我们可以根据后面文档示例的代码，慢慢总结出神经网络搭建的“八股”。
关于文档
本文参考文档地址为TensorFly，TensorFly是一个TensorFlow的中文社区，有翻译过的部分TensorFlow文档；
关于TensorFlow
TensorFlow™ 是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。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）。它灵活的架构让你可以在多种平台上展开计算，例如台式计算机中的一个或多个CPU（或GPU），服务器，移动设备等等。TensorFlow 最初由Google大脑小组（隶属于Google机器智能研究机构）的研究员和工程师们开发出来，用于机器学习和深度神经网络方面的研究，但这个系统的通用性使其也可广泛用于其他计算领域。（摘自TensorFly）
网友评论