深度学习——反向传播tensorflow实现

import tensorflow as tf
import numpy as np

"""
使用tensorflow 实现简单的 线性回归  y = np.dot(x, W) + b
"""

def f1():
    """
    先使用常量进行构建，展示大致的业务逻辑
    :return:
    """
    # 一、建图
    with tf.Graph().as_default():
        # 1、创建模型输入
        input_x = tf.constant(
            value=[[1,2,3],
                   [2,3,4],
                   [12,34,23],
                   [2,3,9]], dtype=tf.float32, shape=[4, 3], name='input_x'
        )
        # 2、创建变量
        weights = tf.constant(
            value=[[-5],
                   [3],
                   [2]], dtype=tf.float32, shape=[3, 1], name='weights'
        )
        bias = tf.constant(
            value=[2], dtype=tf.float32, shape=[1], name='bias'
        )

        # 3、构建正向传播过程
        y_hat = tf.matmul(input_x, weights) + bias
        print(y_hat)

        # 二、构建会话
        with tf.Session() as sess:
            # 执行模型图
            y_hat_ = sess.run(y_hat)
            print(y_hat_)

#将常量用variable换为变量
def f2():
    """
    变量使用 tf.Variable()来构建
    :return:
    """
    # 一、建图
    with tf.Graph().as_default():
        # 1、创建模型输入
        input_x = tf.constant(
            value=[[1,2,3],
                   [2,3,4],
                   [12,34,23],
                   [2,3,9]], dtype=tf.float32, shape=[4, 3], name='input_x'
        )
        """
        tf.Variable(self,
               initial_value=None,    # 给定初始化的值，可以是python的基本数据类型，也可以是tf的tensor对象
               trainable=True,        # bool 该变量是否参与模型训练。也就是该变量是否会执行梯度下降
               collections=None,
               validate_shape=True,
               caching_device=None,
               name=None,            # tensorflow底层的名字。
               variable_def=None,
               dtype=None,           # 数据类型
               expected_shape=None,
               import_scope=None,
               constraint=None):
        """
        # 2、创建变量
        weights = tf.Variable(
            initial_value=[[-5],
                           [3],
                           [2]], dtype=tf.float32, name='weights'
        )
        print(weights)
        bias_value = tf.constant(
            value=[2], dtype=tf.float32, shape=[1], name='bias'
        )
        bias = tf.Variable(initial_value=bias_value, dtype=tf.float32, name='bias')

        # 3、构建正向传播过程
        y_hat = tf.matmul(input_x, weights) + bias
        print(y_hat)

        # 二、构建会话
        with tf.Session() as sess:
            # fixme 执行变量初始化赋值
            sess.run(tf.global_variables_initializer())
            # 执行模型图
            y_hat_ = sess.run(y_hat)
            print(y_hat_)


def f3():
    """
    占位符的使用
    :return:
    """
    # 一、建图
    with tf.Graph().as_default():
        # 1、创建模型输入(占位符)，
        # todo 可以使用 shape=[None, 3]， None使用类似于numpy。

#tf.placeholder与tf.placeholder_with_default均为占位符，不同的是后者可以设置默认的输入数据，调用时可以不传入数据。而前者无默认的数据，使用时必须传入数据

        input_x = tf.placeholder(dtype=tf.float32, shape=[None, 3], name='input_x')
        input_c = tf.placeholder_with_default(
            input=1.0, shape=[], name='input_c'
        )
        # 2、创建变量
        weights = tf.Variable(
            initial_value=[[-5],
                           [3],
                           [2]], dtype=tf.float32, name='weights'
        )
        print(weights)
        bias_value = tf.constant(
            value=[2], dtype=tf.float32, shape=[1], name='bias'
        )
        bias = tf.Variable(initial_value=bias_value, dtype=tf.float32, name='bias')

        # 3、构建正向传播过程
        y_hat = tf.matmul(input_x, weights) + bias
        y_hat1 = y_hat + input_c
        print(y_hat)

        # 二、构建会话
        with tf.Session() as sess:
            # fixme 执行变量初始化赋值
            sess.run(tf.global_variables_initializer())
            # 加载训练数据
            data1 = [[1,2,3],
                   [2,3,4],
                   [12,34,23],
                   [2,3,9]]
            # 执行模型图
            y_hat_, y_hat1_ = sess.run(
                fetches=[y_hat, y_hat1], feed_dict={input_x: data1})

#y_hat与y_hat1分别是那两种构建占位符的方式下的正向传播过程，feed_dict是传入data1数据，通过占位符input_x，传给y_hat或者y_hat1

            print(y_hat_, y_hat1_)

            data2 = [[1, 2, 3],
                     [2, 3, 4],
                     [2, 3, 9]]
            y_hat_, y_hat1_ = sess.run(
                fetches=[y_hat, y_hat1], feed_dict={input_x: data2, input_c: 10.0})
            print(y_hat_, y_hat1_)


if __name__ == '__main__':
    f3()