Python学习记录 如何使用TensorFlow

TensorFlow的使用分为下面几步

1. 先定义训练的数据集
2. 定义输入输出
3. 定义计算图
4. 定义损失函数
5. 训练的过程

好了，你已经学会怎么使用TensorFlow，现在来试着写一个简单的线性回归吧！

实现线性回归方程：y = a*x+b

import numpy as np
import matplotlib.pyplot as plt
try:
    import tensorflow.compat.v1 as tf
    tf.disable_v2_behavior()
except:
   import tensorflow as tf

定义x函数为-1到1，间距100

trainX = np.linspace(-1,1,100)

加入噪声，均值为0，方差为0.05，形状和trainX一样

noise = np.random.normal(0,0.05,trainX.shape)

定义y函数为线性函数，同时添加一些噪声数据

trainY = 4*trainX+10+noise

定义输入值，输入结构的输入行数不固定

xs=tf.placeholder(tf.float32)
ys=tf.placeholder(tf.float32)

定义输出值 a ，b值为浮点型名叫a b

a = tf.Variable(0.0,name="a")
b = tf.Variable(0.0,name="a")

这次计算图是个线性方程

y = a*xs+b

loss = tf.square(y-ys)
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(loss)#设置反向传播算法

with tf.Session() as sess:
    sess.run(tf.initialize_all_variables())
    plt.ion()  # 打开互交模式
    for i in range(10):
        for (X,Y) in zip(trainX,trainY):
            _,w_value,b_value = sess.run([train_step,w,b],feed_dict={xs:X,ys:Y})
        print("step:{},w:{},b:{}".format(i+1,w_value,b_value))

        plt.plot(trainX,trainY,'+')
        plt.plot(trainX,w.eval()*trainX+b.eval())
        # 暂停时间
        plt.pause(0.5)

import numpy as np
import matplotlib.pyplot as plt
# 首先先导入包，使用V1的版本
try:
    import tensorflow.compat.v1 as tf
    tf.disable_v2_behavior()
except:
   import tensorflow as tf
# 定义训练数据集
trainX = np.linspace(-1,1,100)
noise = np.random.normal(0,0.05,trainX.shape)
trainY = 4*trainX+10+noise
# 定义输入输出
xs=tf.placeholder(tf.float32)
ys=tf.placeholder(tf.float32)
a = tf.Variable(0.0,name="a")
b = tf.Variable(0.0,name="a")
# 定义计算图
y = a*xs+b
loss = tf.square(y-ys)
# 定义损失函数
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(loss)#设置反向传播算法
# 创建会话，开始训练
with tf.Session() as sess:
    sess.run(tf.initialize_all_variables())
    plt.ion()  # 打开互交模式
    for i in range(10):
        for (X,Y) in zip(trainX,trainY):
            _,a_value,b_value = sess.run([train_step,a,b],feed_dict={xs:X,ys:Y})
        print("step:{},a:{},b:{}".format(i+1,a_value,b_value))

        plt.plot(trainX,trainY,'+')
        plt.plot(trainX,a.eval()*trainX+b.eval())
        # 暂停时间
        plt.pause(0.5)