TensorFlow 各函数及其功能
2018-02-08 21:25
197 查看
1、sess = tf.InteractiveSession():创建一个新的 session,并将其注册为默认的 session。
2、x = tf.placeholder(tf.float32, [None, 784]):创建一个输入数据的地方,第一个参数树数据类型,第二个参数代表 tensor 的 shape,即数据的尺寸。None 代表不限条数的输入,784 代表每条输入树一个 784 维的向量。tf.argmax(y, 1)
3、tf.zeros([784, 10]):将 W 矩阵中的每个值都全部初始化为 0。
4、W = tf.Variable(tf.zeros([784, 10])):创建 Variable 对象,用来存储模型参数。tensor 用后即焚,Variable 在迭代中可以长期存在,并在每轮迭代中被更新。
5、tf.matmul(x, W) :用来求矩阵乘法。
6、y = tf.nn.softmax(tf.matmul(x, W) + b):定义 Softmax Regression。
7、E = tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]):求所有的 y_ * log(y) 的和,reduction_indices=[1] 表示作用对象为多维矩阵第1层(从0数起)括号内的数据(按 numpy 中矩阵的写法)。
8、cross_entropy = tf.reduce_mean(E):求平均值。
9、train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy):随机梯度下降函数,学习速率为 0.5,优化目标为 cross_entropy。
10、tf.global_variables_initializer().run():全局参数初始化器的 run 方法。
11、batch_xs, batch_ys = mnist.train.next_batch(100):每次都随机从训练集中抽取 100 条样本构成一个 mini-batch,并 feed 给 placeholder。
12、train_step.run({x:batch_xs, y_:batch_ys}):调用 train_step 对样本进行训练。只有调用 run 方法,前面定义的各节点才会开始执行并获得结果。
13、tf.argmax:从一个 tensor 中寻找最大值的序号。tf.argmax(y, 1) 就是求各个预测的数字中概率最大的那个。
14、tf.equal(x, y):判断 x 是否就是 y。
15、tf.cast(tf.bool, tf.float32):将 bool 类型的值转换为 float32类型。
2、x = tf.placeholder(tf.float32, [None, 784]):创建一个输入数据的地方,第一个参数树数据类型,第二个参数代表 tensor 的 shape,即数据的尺寸。None 代表不限条数的输入,784 代表每条输入树一个 784 维的向量。tf.argmax(y, 1)
3、tf.zeros([784, 10]):将 W 矩阵中的每个值都全部初始化为 0。
4、W = tf.Variable(tf.zeros([784, 10])):创建 Variable 对象,用来存储模型参数。tensor 用后即焚,Variable 在迭代中可以长期存在,并在每轮迭代中被更新。
5、tf.matmul(x, W) :用来求矩阵乘法。
6、y = tf.nn.softmax(tf.matmul(x, W) + b):定义 Softmax Regression。
7、E = tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]):求所有的 y_ * log(y) 的和,reduction_indices=[1] 表示作用对象为多维矩阵第1层(从0数起)括号内的数据(按 numpy 中矩阵的写法)。
8、cross_entropy = tf.reduce_mean(E):求平均值。
9、train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy):随机梯度下降函数,学习速率为 0.5,优化目标为 cross_entropy。
10、tf.global_variables_initializer().run():全局参数初始化器的 run 方法。
11、batch_xs, batch_ys = mnist.train.next_batch(100):每次都随机从训练集中抽取 100 条样本构成一个 mini-batch,并 feed 给 placeholder。
12、train_step.run({x:batch_xs, y_:batch_ys}):调用 train_step 对样本进行训练。只有调用 run 方法,前面定义的各节点才会开始执行并获得结果。
13、tf.argmax:从一个 tensor 中寻找最大值的序号。tf.argmax(y, 1) 就是求各个预测的数字中概率最大的那个。
14、tf.equal(x, y):判断 x 是否就是 y。
15、tf.cast(tf.bool, tf.float32):将 bool 类型的值转换为 float32类型。
相关文章推荐
- tensorflow相关函数及其功能(留着自己备忘)
- tensorflow 一些常用函数的功能
- Stata基本功能及其函数实现
- tensorflow可以用来初始化变量的函数及其参数
- Python 语言及其应用 Chapter_6_Note 3 Seek函数功能
- Python基础、函数及其相关函数库(Numpy、TensorFlow)常用函数集锦(更新中,更新日期:2017-08-03)
- Tensorflow部分函数功能
- SQL 内置函数中的常用几个系统函数及其功能
- VC++ CMenu类中常用的函数及其功能
- 第14周-阅读项目3-seekg()、tellg()等函数的功能及其用法
- tf.nn.conv3d和tf.nn.max_pool3d这两个tensorflow函数的功能和参数
- TControl的主要功能研究(属性,函数,事件)
- MariaDB数据库主从复制、双主复制、半同步复制、基于SSL的安全复制实现及其功能特性介绍(二)
- opencv函数功能
- 超强功能file_put_contents()函数(集成了fopen、fwrite、fclose)
- 用Python实现一个1加到n求和功能的函数
- PHP实现数字补零功能的2个函数介绍
- CSocket超时(Time-Out)功能的设置及其局限性
- 百宝云自定义功能函数教程
- 查询指定节点及其所有子节点的函数