tensorflow学习笔记(1)-基本语法和前向传播

时间:2024-07-05 23:34:38

                 tensorflow学习笔记(1)

  (1)tf中的图

  tensorflow学习笔记(1)-基本语法和前向传播

  图中就是一个计算图,一个计算过程。                                       图中的constant是个常量

  计算图只描述过程,不执行。

  (2)tf中的会话

  那么怎么计算呢?

  tensorflow有个会话是专门用来计算的

import tensorflow as tf
x=tf.constant([[1.0,2.0]])
w=tf.constant([[3.0],[4.0]]) y=tf.matmul(x,w) print(y) with tf.Session() as sess:
print(sess.run(y))

  这里定义了个矩阵相乘的运算,并用会话结构  with tf.session() as sess:计算

  打印结果为tensorflow学习笔记(1)-基本语法和前向传播 1*3+2*4=11没毛病

   (3)tf中的变量

  tf中遍历就是神经元上的参数或者说是权重w,我们要改变的就是这个参数。

  tensorflow学习笔记(1)-基本语法和前向传播

  seed是随机数种子,不加的话每次生成的都不一样

  除了正太分布tf还提供均匀分布,还有零矩阵和1矩阵的初始化,还有填充矩阵和constant矩阵的初始化方法

  tensorflow学习笔记(1)-基本语法和前向传播

  tensorflow学习笔记(1)-基本语法和前向传播

  变量的初始化:在sess.run()中使用tf.global_variablies_initializer()

  如

init_op=tf.global_varibles_initializer()
sess.run(init_op)

   

  (4)tf.placeholder

  这是个占位的作用,可以理解为申明定义变量

  如x=tf.placeholder(tf.float32,shape=(1,2))这是声明

  然后喂入一组数据

  sess.run(y,feed_dict={x:[[0.5,0.6]]})

  喂入多组数据

  x=tf.placeholder(tf.float32,shape=(None,2))#none表示不限样本数

  sess.run(y,feed_dict={x:[[0.1,0.2],[0.2,0.3],[0.4,0.5]]})

  (5)神经网络四部曲

  1.准备数据和提取特征值输入神经网络

  2.搭建NN结构,先搭建图然后运算(前向传播)(计算输出)

  3.大量数据喂入NN,迭代优化参数(权重和偏置)(NN反向传播算法)

  4.用训练好的模型分类预测

  (5)这里实现一个简单2层网络模型

  

# -*- coding: utf-8 -*-
import tensorflow as tf
#两层神经网络(全连接过程) #初始化特征值和参数
x=tf.constant([[0.7,0.5]])
w1=tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))
w2=tf.Variable(tf.random_normal([3,1],stddev=1,seed=1)) #定义前向传播过程
a=tf.matmul(x,w1)
y=tf.matmul(a,w2) #用会话计算结果
with tf.Session() as sess:
init_op=tf.global_variables_initializer()
sess.run(init_op)
print(sess.run(y))

  运行结果如下

  tensorflow学习笔记(1)-基本语法和前向传播

  这是喂入多组数据的方法

  这里的特征值我们已经固定,我们也可以先用placeholdr占位,然后再sess.run()里面喂入feed_dict={xxx}