TensorFlow 简明教程（python版）

TensorFlow 简明教程（python版）

*Posted on April 2nd, 2016, by REN Chuangjie

定义变量

为了使用tensorflow，首先我们需要导入它

import tensorflow as tf

对于符号变量，我们新建一个

x = tf.placeholder(tf.float32, [None, 784])

这里x并不是一个特定的值，只是一个占位符，后面我们需要用tensorflow进行计算式，我们会把它作为输入

在模型中，我们需要weights权重和biases偏置，这里就用Variable来处理定义，Variable可以在整个计算过程中modified

w = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))

在新建Variable的同时，我们也初始化了它，然后

y = tf.nn.softmax(tf.matmul(x, w) + b)

这样我们就成功的实现了我们的模型

训练

我们用cross-entropy作为我们的cost function
H_{y’}(y) = -\sum_i y’_i \log(y_i)
y就是我们预测的概率分布，y’是真实的概率分布

为了实现交叉熵，我们需要一个新的占位符来作为正确答案的输入

y_ = tf.placeholder(tf.float32, [None, 10])
cross_entropy = -tf.reducen_sum(y_ * tf.log(y))

通过梯度下降来实现优化模型

train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(cross_entropy)

我们使用这个模型之前，最后一件我们需要做的事是

init = tf.initialize_all_variables()
with tf.Session() as sess:
    sess.run(init)

现在，我能可以训练1000次这个模型了，☺️

for i in xrange(1000):
    batch_xs, batch_ys = mnist.train.next_batch(100)
    sess.run(train_step, feed_dict = {x: batch_xs, y_: batch_ys})

使用随机数据的小batch就称为随机训练

模型评分

首先，我们对比真实的y_和模型所得y之间正确的个数有多少

correct_prediction = tf.equal(tf.argmax(y, 1), tf.agrmax(y_, 1))

这个会返回一个boolean列表，比如[True, False, True, True]

accuracy = tf.reduce_mean(tf.cast(correc_prediction, tf.float32))
print (sess.run(accuracy, feed_dict = {x: mnist.test.images, y_: minst.test.labels}))

最后就通过以上计算得到准确率

链接

TensorFlow