tensorflow笔记

一、tensorflow基础

1、安装

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow

2、第一个tensorflow程序

import tensorflow as tf
import os

#屏蔽编译提醒警告
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'

a = tf.constant(10)
b = tf.constant(12)
c = tf.add(a,b)



with tf.Session() as sess:
    print(sess.run(c))

二、tensorflow结构分析

1、图

1）获取默认图

tf.get_default_graph()

2）创建新图及使用

 

3）图可视化

2、OP

1）常用op

3、会话

1）开启会话

2）run

3）占位符与feed_dict使用

4、张量

1）创建张量

固定值张量

 随机值张量

2）改变张量

类型改变

 形状改变

 

5、变量OP

1）创建使用变量

 

2）变量命名空间

三、回归算法实现

1、线性回归实现

import tensorflow as tf


#命令行参数
tf.app.flags.DEFINE_integer("max_step", 200, "训练的步数")
#定义获取命令行参数变量
FLAGS = tf.app.flags.FLAGS

def linearregressin():
    """
    实现线性回归
    :return:
    """

    # 1、构造数据集
    with tf.variable_scope("original_data"):
        x = tf.random_normal([100, 1], mean=0.0, stddev=1.0)
        y_true = tf.matmul(x, [[0.8]]) + [[0.7]]

    # 2、创建线性回归模型
    with tf.variable_scope("linear_model"):
        weights = tf.Variable(initial_value=tf.random_normal([1, 1]))  # 随机权重
        bias = tf.Variable(initial_value=tf.random_normal([1, 1]))  # 随机误差值

        y_predict = tf.matmul(x, weights) + bias

    # 3、确定损失率：均方误差   (y_predict - y_true)^2 / m
    with tf.variable_scope("loss"):
        loss = tf.reduce_mean(tf.square(y_predict - y_true))

    # 4、使用梯度下降优化
    # w2 = w1 - 学习率*方向  b2 = b1 - 学习率*方向
    with tf.variable_scope("optimizer"):
        optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(loss)

    # 5、收集观察变量 零纬度scalar 高纬度histogram
    losses = tf.summary.scalar("loss", loss)
    weightses = tf.summary.histogram("weights", weights)
    biases = tf.summary.histogram("bias", bias)

    merge_op = tf.summary.merge_all()

    # 初始化变量
    init_op = tf.global_variables_initializer()

    #创建一个saver
    saver = tf.train.Saver()

    with tf.Session() as sess:
        sess.run(init_op)

        filewriter = tf.summary.FileWriter("./tmp/summary/", graph=sess.graph)

    #---------测试保存的模型-----------
        # print("weight:",weights.eval(),"bias:",bias.eval())
        # saver.restore(sess, "./tmp/ckpt/linearregressin")
        # print("weight:", weights.eval(), "bias:", bias.eval())

        for i in range(FLAGS.max_step):
            sess.run(optimizer)
            summary = sess.run(merge_op)
            filewriter.add_summary(summary, i)
            saver.save(sess, "./tmp/ckpt/linearregressin")

    return None


if __name__ == "__main__":
    linearregressin()

2、逻辑回归梯度下降原理

https://zhuanlan.zhihu.com/p/44591359