TensorFlow的基础结构

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.

创建数据

首先, 我们这次需要加载 tensorflow 和 numpy 两个模块, 并且使用 numpy 来创建我们的数据.

代码语言：javascript复制

import tensorflow as tf
import numpy as np

# create data
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data*0.1   0.3

接着, 我们用tf.Variable来创建描述y的参数. 我们可以把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

代码语言：javascript复制

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，即损失值

接着就是计算 y 和 y_data 的误差:

代码语言：javascript复制

loss = tf.reduce_mean(tf.square(y-y_data))

传播误差

反向传递误差的工作就教给optimizer了, 我们使用的误差传递方法是梯度下降法: Gradient Descent 让后我们使用 optimizer 来进行参数的更新.

代码语言：javascript复制

optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)

训练

到目前为止, 我们只是建立了神经网络的结构, 还没有使用这个结构. 在使用这个结构之前, 我们必须先初始化所有之前定义的Variable, 所以这一步是很重要的!

代码语言：javascript复制

# init = tf.initialize_all_variables() # tf 马上就要废弃这种写法
init = tf.global_variables_initializer()  # 替换成这样就好

接着,我们再创建会话Session. 我们会在下一节中详细讲解 Session. 我们用Session来执行init初始化步骤. 并且, 用Session来run每一次 training 的数据. 逐步提升神经网络的预测准确性.

代码语言：javascript复制

sess = tf.Session()
sess.run(init)          # Very important

for step in range(201):
    sess.run(train)
    if step % 20 == 0:
        print(step, sess.run(Weights), sess.run(biases))

最终运行结果如下：

【小结】

对于Tensorflow的了解，我们将一起步步深入，逐步探索其中的奥妙之处...

神经网络 tensorflow numpy

0 人点赞