深度学习之TensorFlow框架的基本概念

TensorFlow基本概念

• 使用图(graphs)来表示任务
• 在被称之为会话(Session)的上下文(context)中执行图
• 使用tensor表示数据
• 通过变量(Variable)维护状态
• 使用feed和fetch可以为任意的操作赋值或者从中获取数据

Tensorflow是一个编程系统，使用图(graphs)来表示计算任务，图(graphs)中的节点称之为op(operation),一个op获的0个或者多个Tensor,执行计算，产生0个或者多个Tensor。Tensor看做是一个维护n维的数组或列表。图必须在会话（Session）里被启动。

TensorFlow结构

实现一个简单的线性模型问题

#导入相关的库
import tensorflow as tf
import numpy as np

#产生100个随机数
x_data = np.random.rand(100)
y_data = x_data * 0.1 + 0.2  #y_data为已知的样本数据集

#设计一个线性模型
k = tf.Variable(0.) # k为斜率，初始化为0
b = tf.Variable(0.) # b为截距，初始化为0
y = x_data * k + b

#二次损失函数
loss = tf.reduce_mean(tf.square(y_data - y)) #均方差
#定义一个用于训练的梯度下降法的优化器
optimizer = tf.train.GradientDescentOptimizer(0.1) #0.1为学习率
#训练函数
train = optimizer.minimize(loss) #最小化损失函数

# 初始化变量
init = tf.global_variables_initializer()
# 生成全局会话
with tf.Session() as sess:
    sess.run(init)
    #迭代201次
    for step in range(201):
        sess.run(train)
        if step % 20 == 0:
            print('k:',sess.run(k),'b:',sess.run(b))