tensorflow | 重新学习 | 了解graph 和 Session
tensorflow | 重新学习 | 了解graph 和 Session
努力在北京混出人样
发布于 2018-05-14 14:38:11
发布于 2018-05-14 14:38:11
源于工作需要，重新学习tensorflow,好久未使用，忘记的差不多了。
tensorflow的基础框架
tensorflow中是由Graph和Session组成，Graph负责将计算架构搭建起来，Session则负责将数据输入、执行模型、产出结果。分工明确，严格分割开来。
其中，Graph和Session过程也可以细分为一下几个部分：
1、 数据准备
这部分是最起始的部分，将数据集从磁盘读取
2、 定义placeholder容器
placeholder用于存储变量，自变量和因变量。定义如下：
tf.placeholder(dtype, shape=None, name=None)dtype ：定义数据类型； shape：定义维度； name：定义名称。
例子：
batch_size = 128
X = tf.placeholder(tf.float32, [batch_size, 784], name='X_placeholder')
Y = tf.placeholder(tf.int32, [batch_size, 10], name='Y_placeholder')3、 初始化参数/权重
这部分是定义权重变量，模型中涉及到的参数需要提前定义。
w = tf.Variable(<initial-value>, name=<optional-name>)包含初始化值和命名两部分。 例子：
W = tf.Variable(tf.random_normal([1]), name='weight')
b = tf.Variable(tf.random_normal([1]), name='bias')W和b就是定义的参数 更加深入的研究Variable请看Variable帮助文档
4、 计算预测结果
Y_pred = tf.add(tf.multiply(X, W), b)通过估计的参数来计算预测值
5、 计算损失函数值
为了估计模型的参数，一般通过定义损失来估计。
loss = tf.square(Y - Y_pred, name='loss')当然，根据自己数据来定义损失函数最为恰当，这里仅仅给出案例。
6、 初始化optimizer
前面的定义了模型的结果，这部做模型求解。常用的求解算法有很多，要结合自己的数据来定义。通过情况下，我们需要提前定义学习率。
learning_rate = 0.01
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss)这里是使用梯度下降法来优化模型，损失函数最小。
7、 在session里执行graph
首先，定义迭代次数或迭代停止条件。
# xs是指输入的数据
n_samples = xs.shape[0]
with tf.Session() as sess:
# 初始化所有变量
sess.run(tf.global_variables_initializer())
# 记录日志
writer = tf.summary.FileWriter('./graphs/linear_reg', sess.graph)
# 训练模型，这里定义训练50次
for i in range(50):
total_loss = 0
for x, y in zip(xs, ys):
# 通过feed_dic把数据灌进去
_, l = sess.run([optimizer, loss], feed_dict={X: x, Y:y})
total_loss += l
if i%5 ==0:
print('Epoch {0}: {1}'.format(i, total_loss/n_samples))
# 关闭writer
writer.close()
# 取出w和b的值
W, b = sess.run([W, b]) 这样就可以运行了，同时将最后的参数打印出来。
本文参与 腾讯云自媒体分享计划，分享自作者个人站点/博客。
原始发表：2017年12月19日，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读