人工智能python的tensorflow基础

import tensorflow as tf
matrix1=tf.constant([[3,3]])
matrix2=tf.constant([[2],
                    [2]])
product=tf.matmul(matrix1,matrix2)
with tf.Session() as sess:#打开Session以sess命名,不用管关不关Session,运行完with里的语句自动关Session
    result2=sess.run(product)
    print("行乘以列:",result2)

输出: 行乘以列: [[12]]

#定义变量
import tensorflow as tf
state=tf.Variable(0,name='counter')#Variable(初始值,name='变量名子')
print(state.name)#打印出它的名字
one=tf.constant(1)
new_value=tf.add(state,one)#输出为Tensor("Add_4:0", shape=(), dtype=int32)可见new_value只是一个代表,
                            #并不是真正的值,更像是代表这里的add这个运算过程,
                                                        #其实真正的值实在变量state中。
update=tf.assign(state,new_value)#将new_value加载到state
init=tf.global_variables_initializer()#激活所有变量
with tf.Session() as sess:
    sess.run(init)
    for _ in range(3):#三次循环
        sess.run(update)
        print(sess.run(state))#必须要用sess这个指针去run一下

输出: counter_7:0 1 2 3

什么是placeholder?

在这里用了placeholder(),那么就要与feed_dict传如相当对应的数据,feed_dict是python中 字典的形式。

import tensorflow as tf
input1=tf.placeholder(tf.float32)
input2=tf.placeholder(tf.float32)
output=tf.multiply(input1,input2)
with tf.Session() as sess:
  print(sess.run(output,feed_dict={input1:[7.],input2:[8.0]}))##feed_dict与placeholder相对应

输出: [56.] 什么是激励函数?

激励函数强行将线性结果给“掰弯”。你也可以定义自己的激励函数,但激励函数必须可微分的, 因为在误差反向传播只有可微的函数才能将误差传递回去。。 在隐藏层较少时激励函数都可以尝试,但多层时激励函数选择不当就涉及到梯度爆炸和梯度消失问题了。。

定义激励函数 并 定义一个添加神经层函数

import tensorflow as tf 
import numpy as np
def add_layer(inputs,in_size,out_size,activation_function):
  Weights=tf.Variable(tf.random_normal([in_size,out_size]))#定义一个in_siz行,out_size列的矩阵。
                                                           #注:矩阵相乘输出为:前面项的行数,后面项的列数。
  biases=tf.Variable(tf.zeros([1,out_size])+0.1)#定义一个偏置
  Wx_plus_b=tf.matmul(inputs,Weights)+biases
  if activation_function is None:
    outputs=Wx_plus_b
  else:
    outputs=activation_function(Wx_plus_b)
  return outputs
x_data=np.linspace(-1,1,300)[:,np.newaxis]##这一行中的[:,np.newxis]是将数据在行上增加n多行,列数为1
noise=np.random.normal(0,0.05,x_data.shape)
y_data=np.square(x_data)-0.5+noise
xs=tf.placeholder(tf.float32,[None,1])#数据为float32形式
ys=tf.placeholder(tf.float32,[None,1])
l1=add_layer(xs,1,10,activation_function=tf.nn.relu)#用placeholder中传来的值
prediction=add_layer(l1,10,1,activation_function=None)
loss=tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1]))
train_step=tf.train.GradientDescentOptimizer(0.1).minimize(loss)
init=tf.initialize_all_variables()
sess=tf.Session()
sess.run(init)
for i in range(1000):
  sess.run(train_step,feed_dict={xs:x_data,ys:y_data})
  if i%100==0:
    print("第%d次:"%(i),sess.run(loss,feed_dict={xs:x_data,ys:y_data}))

输出:

第0次: 0.552953 第100次: 0.0048867096 第200次: 0.004147886 第300次: 0.0036950905 第400次: 0.0032849575 第500次: 0.0030228847 第600次: 0.0029233024 第700次: 0.002866037 第800次: 0.0028031832 第900次: 0.0027658343 x_data=np.linspace(-1,1,300)[:,np.newaxis] 什么意思?

numpy.linspace使用详解:numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)

在指定的间隔内返回均匀间隔的数字。 参数: start:起始点;stop:结束;num:个数(默认50);endpoint:如果是真,则一定包括stop,如果为False,一定不会有stop; 等

Returns: samples : ndarray

原文发布于微信公众号 - 编程坑太多(idig88)

原文发表时间:2018-03-26

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏数据结构与算法

1099 字串变换 2002年NOIP全国联赛提高组

1099 字串变换 2002年NOIP全国联赛提高组  时间限制: 1 s  空间限制: 128000 KB  题目等级 : 黄金 Gold 题解 题目描述 D...

2653
来自专栏拂晓风起

妙用Pixel bender执行复杂运算/普通数据运算 传递Vector数组

1092
来自专栏人工智能

Tensorflow下Char-RNN项目代码详解

前言 Char-RNN,字符级循环神经网络,出自于Andrej Karpathy写的The Unreasonable Effectiveness of Recu...

66310
来自专栏数值分析与有限元编程

一维变带宽存储刚度矩阵

我们知道,集成之后的整体刚度矩阵是一个对称的稀疏带状矩阵,如图1所示。这样的矩阵包含大量的0元素,占用大量的存储空间。为了节约存储空间,可采取一些方法对刚度矩阵...

4146
来自专栏Jack-Cui

第五天、百元买百鸡

中国古代数学家张丘建在他的《算经》中提出了一个著名的“百钱买白鸡问题”,鸡翁一,值钱五,鸡母一,值钱三,鸡雏三,值钱一,百钱买白鸡,问翁、母、雏各几何? C...

2390
来自专栏xingoo, 一个梦想做发明家的程序员

cuda中的二分查找

  使用背景 通常,在做高性能计算时,我们需要随机的连接某些点。这些点都具有自己的度量值,显然,度量值越大的值随机到的概率就会越大。因此,采用加权值得方法: v...

1965
来自专栏PPV课数据科学社区

【学习】K近邻算法基础:KD树的操作

Kd-树概念 Kd-树其实是K-dimension tree的缩写,是对数据点在k维空间中划分的一种数据结构。其实,Kd-树是一种平衡二叉树。 举一示例: 假设...

3255
来自专栏Python小屋

详解Python科学计算扩展库numpy中的矩阵运算(1)

首先解答上一篇文章中使用with关键字让你的Python代码更加Pythonic最后的习题,该题答案是False,原因在于内置函数sorted()的参数reve...

3014
来自专栏wym

python实现 opencv 学习笔记---模板匹配matchTemplate

这是打印出result的值,下面一张图是计算公式,通过公式也可以知道匹配程度在什么情况下最好

5095
来自专栏小樱的经验随笔

MATLAB命令大全+注释小结

一、常用对象操作:除了一般windows窗口的常用功能键外。 1、!dir 可以查看当前工作目录的文件。   !dir& 可以在dos状态下查看。 2、who ...

3454

扫码关注云+社区

领取腾讯云代金券