python：TensorFlow深度学习框架学习笔记
官方文档
1.基本操作知识
创建图与启动图
import tensorflowas tf
#创建一个常量op，为一个一行两列的矩阵
m1=tf.constant([[3,3]])
#创建两行一列的矩阵
m2= tf.constant([[2], [3]])
#创建矩阵乘法
product = tf.matmul(m1, m2)
print(product)
#定义一个会话，启动默认图
sess = tf.Session()
#调用run方法来执行矩形乘法op
result = sess.run(product)
print(result)
sess.close()
with tf.Session()as sess:
#调用矩阵乘法op
result = sess.run(product)
print(result)
变量操作
x = tf.Variable([1, 2])#定义一个变量
a = tf.constant([3, 3])
sub = tf.subtract(x, a)#减法
add = tf.add(x, sub)#加法
init = tf.global_variables_initializer()#变量初始化
with tf.Session()as sess:
sess.run(init)
print(sess.run(sub))
print(sess.run(add))
state = tf.Variable(0,name='counter')#创建一个变量初始化为0
new_value = tf.add(state,1)#将state+1
update = tf.assign(state, new_value)#将new_value的值赋值给state
init = tf.global_variables_initializer()
with tf.Session()as sess:
sess.run(init)
print(sess.run(state))
for _in range(5):
sess.run(update)
print(sess.run(state))
Fetch与Feed
#Fetch
input1 = tf.constant(3.0)
input2 = tf.constant(2.0)
input3 = tf.constant(5.0)
add = tf.add(input1, input2)
mil = tf.multiply(input1, add)
with tf.Session()as sess:
result = sess.run([mil, add])
print(result)
#Feed
#创建占位符
input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.multiply(input1, input2)
with tf.Session()as sess:
#feed的数据以字典形式输入
print(sess.run(output,feed_dict={input1:[7.],input2:[2.]}))
案例：直线拟合测试
#使用numpy生成100个随机点
x_data = np.random.rand(100)
y_data = x_data*0.1+0.2
#构建一个线性模型
b = tf.Variable(0.)
k = tf.Variable(0.)
y = k*x_data+b
#二次代价函数
loss = tf.reduce_mean(tf.square(y_data-y))
#定义一个梯度下降法来进行训练优化器
optimizer = tf.train.GradientDescentOptimizer(0.2)
#最小代价函数
train = optimizer.minimize(loss)
#初始化变量
init = tf.global_variables_initializer()
with tf.Session()as sess:
sess.run(init)
for stepin range(201):
sess.run(train)
if step%20==0:
print(step, sess.run([k, b]))
线性回归
import tensorflowas tf
import numpyas np
import matplotlib.pyplotas plt
#使用numpy生成200个随机点
x_data = np.linspace(-0.5, 0.5, 200)[:,np.newaxis]#-0.5到0.5之间生成200个数据组成200行一列
noise = np.random.normal(0,0.02,x_data.shape)
y_data = np.square(x_data) + noise
#定义两个placeholder
x = tf.placeholder(tf.float32,[None,1])
y = tf.placeholder(tf.float32,[None,1])
#构建神经网络中间层
Weights_L1 = tf.Variable(tf.random_normal([1, 10]))
biases_L1 = tf.Variable(tf.zeros([1, 10]))
Wx_plus_b_L1 = tf.matmul(x, Weights_L1)+biases_L1
L1 = tf.nn.tanh(Wx_plus_b_L1)
#定义输出层
Weights_L2 = tf.Variable(tf.random_normal([10, 1]))
biases_L2 = tf.Variable(tf.zeros([1, 1]))
Wx_plus_b_L2 = tf.matmul(L1, Weights_L2)+biases_L2
prediction = tf.nn.tanh(Wx_plus_b_L2)
#二次代价函数
loss = tf.reduce_mean(tf.square(y-prediction))
#定义一个梯度下降法来进行训练优化器
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
with tf.Session()as sess:
#变量初始化
sess.run(tf.global_variables_initializer())
for _in range(2000):
sess.run(train_step,feed_dict={x:x_data,y:y_data})
#获得预测值
prediction_value = sess.run(prediction, feed_dict={x:x_data})
#画图
plt.figure()
plt.scatter(x_data,y_data)
plt.plot(x_data,prediction_value,"r_",lw=5)#用红实线 粗为5的先绘图
plt.show()
2.数据分析分类
MNIST数据集（手写数字数据集）
MNIST数据集的标签监狱0~9的数字，我们把标签转化为“one-hot vectors” 一个one-hot向量除了某一位数字一外，其余纬度都是0，如标签0为（[1,0,0,0,0,0,0,0,0,0]）
因此，minist.train.label是一个[60000,10]的数字矩阵
minist.train.images是一个形状为[60000,784]的张量，每张图片像素28*28=784，第一个维度数字用来索引图片，第二个维度数字用来索引每张图片的像素点。图片的每个像素的强度都介于0-1之间
神经网络的构建
784——10的映射
Softmax函数
代码：
import tensorflowas tf
from tensorflow.examples.tutorials.mnistimport input_data
#载入数据集
mnist = input_data.read_data_sets("MNIST_data",one_hot=True)
#每个批次大小
batch_size =100
#计算一共多少个批次
n_batch = mnist.train.num_examples // batch_size
#定义两个placeholder
x = tf.placeholder(tf.float32, [None, 784])
y = tf.placeholder(tf.float32, [None, 10])
#创建一个简单的神经网络
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
prediction = tf.nn.softmax(tf.matmul(x, W)+b)
#二次代价函数
loss = tf.reduce_mean(tf.square(y-prediction))
#梯度下降法
train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)
#初始化变量
init = tf.global_variables_initializer()
#结果存放在一个boolean列表
correct_prediction = tf.equal(tf.arg_max(y, 1), tf.arg_max(prediction, 1))#arg_max求最大数字的位置
#求准确率
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
with tf.Session()as sess:
#变量初始化
sess.run(init)
for epochin range(21):#所有图片训练21次
for batchin range(n_batch):
batch_xs, batch_ys = mnist.train.next_batch(batch_size)
sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys})
acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
print("Iter"+str(epoch)+",Test Accuracy"+str(acc))
二次代价函数
交叉熵代价函数
#交叉熵函数
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=prediction))
拟合
欠拟合，，争取拟合，过拟合
防止过拟合：
1.增加数据集 2.正则化方法 3.Dropout
