tensorflow入门(一)---从一个小程序说起
2016-12-14 17:36
141 查看
我们现在需要拟合一条直线,通常我们会选用最小二乘的方法,通过编程优化实现,现在我们先用tensorflow提供的API来实现这个程序。麻雀虽小五脏俱全,里面会涉及到很多tensorflow的核心API和思想:
我们随机生成100个点,然后对这个点进行拟合,通过梯度下降算法来优化得到参数:
# 得到最佳拟合结果 W: [[0.100 0.200]], b: [0.300]
tensorflow可以拆解成两个词:tensor(张量)和flow(流)其中tensor是这个深度学习框架的基本数据结构,所有的数据都由tensor承载,tensor是一个多为数组类似于caffe中的blob。tensorflow通过图来表示计算任务,图中的节点被称为op(operation),一个op获得0个或者多个的tensor,产生0或者多个tensor。
一个tensorflow图描述了计算的过程,图必须在会话中被启动,在python中图执行完毕返回的是一个numpy ndarray对象。在使用之前我们还需明确几个tensorflow的特性:
1. 使用图(graph)来表示计算任务
2. 在会话(Session)中执行图
3. 使用tensor表示数据
4. 通过变量维护当前优化状态
5. 使用feed和fetch为任意操作赋值或者从中获取数据
使用tensor进行深度学习甚至是机器学习算法的实现变得更加的简单:我们只需要构建出关系图,然后tensorflow提供的优化器会帮我们自动的完成优化工作。即:执行sess.run(loss),和loss相关的整个图会被执行,其中的Variable会被自动的优化。
我们随机生成100个点,然后对这个点进行拟合,通过梯度下降算法来优化得到参数:
import tensorflow as tf import numpy as np import os # 只使用第一块GPU来计算,如果不指定的话会调用所有可能资源,这样对服务器压力太大 os.environ["CUDA_VISIBLE_DEVICES"] = '0' # 使用 NumPy 生成假数据总共 100 个点. x_data = np.float32(np.random.rand(2, 100)) # 随机产生100个值为0-1的点 y_data = np.dot([0.100, 0.200], x_data) + 0.300 # 产生标签,点乘 # 构造一个线性模型 # b = tf.Variable(tf.zeros([1])) W = tf.Variable(tf.random_uniform([1, 2], -1.0, 1.0)) y = tf.matmul(W, x_data) + b # 建立模型与数据之间的关系,最小化方差 loss = tf.reduce_mean(tf.square(y - y_data)) # 设定优化器,传入的参数是lr optimizer = tf.train.GradientDescentOptimizer(0.5) # 确定最小化loss train = optimizer.minimize(loss) # 初始化所有变量 init = tf.initialize_all_variables() # 启动图 (graph) sess = tf.Session() #初始化变量 sess.run(init) # 拟合平面 with tf.Session() as sess: #这种指定GPU的方法会报错,因为不是所有的计算GPU都可以完成的,如果非要使用这种方法 #需要分开返回指令,即进行矩阵乘法运算(MatMul)的时候使用GPU否则使用CPU #with tf.device("/gpu:0"): for step in xrange(0, 201): sess.run(train) if step % 20 == 0: print step, sess.run(W), sess.run(b)
# 得到最佳拟合结果 W: [[0.100 0.200]], b: [0.300]
tensorflow可以拆解成两个词:tensor(张量)和flow(流)其中tensor是这个深度学习框架的基本数据结构,所有的数据都由tensor承载,tensor是一个多为数组类似于caffe中的blob。tensorflow通过图来表示计算任务,图中的节点被称为op(operation),一个op获得0个或者多个的tensor,产生0或者多个tensor。
一个tensorflow图描述了计算的过程,图必须在会话中被启动,在python中图执行完毕返回的是一个numpy ndarray对象。在使用之前我们还需明确几个tensorflow的特性:
1. 使用图(graph)来表示计算任务
2. 在会话(Session)中执行图
3. 使用tensor表示数据
4. 通过变量维护当前优化状态
5. 使用feed和fetch为任意操作赋值或者从中获取数据
使用tensor进行深度学习甚至是机器学习算法的实现变得更加的简单:我们只需要构建出关系图,然后tensorflow提供的优化器会帮我们自动的完成优化工作。即:执行sess.run(loss),和loss相关的整个图会被执行,其中的Variable会被自动的优化。
相关文章推荐
- tensorflow入门(一)---从一个小程序说起
- tensorflow入门(一)---从一个小程序说起
- tensorflow入门(一)---从一个小程序说起
- tensorflow入门(一)---从一个小程序说起
- tensorflow入门(一)---从一个小程序说起
- tensorflow入门(一)---从一个小程序说起
- tensorflow入门(一)---从一个小程序说起
- 从一个小程序说起-数组指针
- 从一个小程序说起(1)
- tensorflow入门(一)---从一个小程序说起
- Basic Windbg - 从一个程序开始说起
- tensorflow入门(一)---从一个小程序说起
- 【C++】【学习笔记】【002-003】从一个小程序说起
- 写程序!=表现自己的无知 从一个可移植的C程序说起
- tensorflow入门(一)---从一个小程序说起
- 从一个Python程序的性能说起
- 从一个小程序说起 - C++快速入门02
- 指针与数组之从一个小程序说起
- 从一个小程序说起 - C++快速入门02
- 从一个小程序说起2 - C++快速入门03