技术标签: tensorflow tensforflow笔记学习记录
定义:
基于tensorflow的NN:用张量表示数据,用结算图搭建神经网络,用会话执行计算图,优化线上 的权重(参数),得到模型
张量(tensor) : 多维数组(列表)
阶 :张量的维度
张量可以表示 0阶到n阶数组(列表)
维数 | 阶 | 名字 | 例子 |
0-D | 0 | 标量 scalar | s = 123 |
1-D | 1 | 向量 vector | v = [1, 2, 3] ,(向量和矩阵的定义应该是来自线性代数) |
2-D | 2 | 矩阵 matrix | m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]] |
n-D | n | 张量 tensor | t = [[[[... (n阶张量有n对[],可以用[的个数判断是几阶张量) |
数据类型: tf.float32 tf.int32 ....
例子
import tensorflow as tf
a = tf.constant([1.0, 2.0])
b = tf.constant([3.o, 4.0])
result = a + b
print result
# 显示如下
Tensor("add:0", shape=(2,), dtype=float32)
显示结果解释如下
Tensor( | “add: | 0", | shape= | (2,), | dtype=float32) |
节点名 | 第0个输出 | 维度 | 一维数组长度为2 |
数据类型 |
shape参数解释
# 伪代码 解释shape 参数意义
# 设 a b1 b2 b3 c1_b1_1 c2_b1_2 等 为tensorflow库中常张量
# b1 b2等定义在伪代码末
a = [
[[1,2,3,4],[2,3,4,5]],
[[3,4,5,6],[4,5,6,7]],
[[5,6,7,8],[6,7,8,9]]
]
# 这时 print a 的结果为
# Tensor("const_4:0", shape=(3,2,4), dtype=int32)
# 张量a有三个b 所以a的长度为3 即为 shape 中第一个参数3的含义
# 同理 shape 中第二个参数2的含义 为b中有三个子张量
# shape 中 4 为 向量c 中元素个数。
# 在本例中
# a是3-D张量(或3维数组)
# b为2-D张量(二维数组)
# c为一维向量(一维数组)
b1 = [
[1,2,3,4],
[2,3,4,5]
]
b2 = [
[3,4,5,6],
[4,5,6,7]
]
b3 = [
[5,6,7,8],
[6,7,8,9]
]
c1_b1_1 = [1,2,3,4]
c2_b1_2 = [2,3,4,5]
c3_b2_1 = [3,4,5,6]
c4_b2_2 = [4,5,6,7]
c5_b3_1 = [5,6,7,8]
c6_b3_2 = [6,7,8,9]
# 那么 a b 可以用 b和c 表示
b1 = [c1_b1_1, c2_b1_2]
b2 = [c3_b2_1, c4_b2_2]
b3 = [c5_b3_1, c6_b3_2]
a = [
b1,
b2,
b3
]
a = [
[c1_b1_1,c2_b1_2],
[c3_b2_1,c4_b2_2],
[c5_b3_1,c6_b3_2]
]
vim设置
在Linux终端中输入 vim ~/.vimrc ,然后写入:
# 设置tab键等于4个空格,并使vim显示行号。
set ts = 4
set nu
视频中使用了 cd ~ ,作用是回到当前用户家目录
具体可以参考(https://blog.csdn.net/qq_31279347/article/details/82947545)
计算图(Graph):搭建神经网络的计算过程,只搭建,不运算。运算要在会话(Session)中进行
会话(Session): 执行计算图中的节点运算。
上图即为一个简单的神经元,下面使用代码进行神经元计算。
# 上图可以用公式 y = x * w
# 等价于 y= x1 * w1 + x2 * w2
# 表示,其中x, w为向量
# 下面将假设x, w的值和结构,并求y
import tensorflow as tf
# 搭建图
x = tf.constant([[1.0, 2.0]])
w = tf.constant([[3.0], [4.0]])
y= tf.matmul(x, y)
print y
# 使用Session()计算图
# with 语句后面需要 : 总是忘记
with tf.Session() as sess:
print sess.run(y)
#输出为
Tensor("matmul:0", shape(1,1), dtype float32)
[[11.]]
视频中提到更改bashrc文件,更新警告设置。bashrc相关内容,可以参考(https://www.cnblogs.com/midworld/p/11006967.html)
参数:即上图中的权重w ,用变量表示,随机给初值。
w= tf.Variable(tf.random_normal([2, 3], stddev=2, mean=0, seed=1))
其中 [2,3] 表示变量的形状(shape)是[2, 3], stddev表示标准差,mean表示均值,seed 表示随机种子,为1表示,每次生成的结果一致。
tf.random_normal() | 正态分布 |
tf.truncated_normal() | 去掉过大偏离点的正态分布(偏离两个标准差将重新生成) |
tf.random_uniform() | 平均分布 |
tf.zero | 全零数组 | tf.zeros([3,2],int32)生成[[0,0],[0,0],[0,0]] |
tf.ones | 全一数组 | tf.ones([3,2],int32)生成[[1,1],[1,1],[1,]] |
tf.fill | 全定值数组 | tf.fill([3, 2],6)生成[[6,6],[6,6],[6,6]] |
tf.constant | 直接给值 | tf.constant([3,2,1])生成[3,2,1] |
神经网络实现过程:
1.准备数据集,提取特征,作为输入喂给神经网络(Netural Network: NN)
2.搭建NN结构,输入到输出(先搭建计算图,再用会话执行)
(NN前向传播算法,计算输出)
3.大量特征数据喂给NN,迭代优化NN参数
(NN反向传播算法,优化参数训练模型)
4.使用训练好多模型预测和分类。
前向传播:搭建模型,实现推理(以全连接网络为例)
eg.生产一批零件将体积x1和重量x2作为特征输入NN,通过NN后输出一个数值。
变量初始化、计算图节点运算都要用到(with)结构实现
with tf.Session() as sess:
sess.run()
变量初始化:在sess.run()函数中用tf.global_variables_inittializer() 主要针对的应该是tf.Variable()生成变量的初始化,
init_op = tf.global_variabales_initializer()
sess.run(init_op)
计算图节点运算:在在sess.run()函数中写入带运算的节点
# 前面3.1节用到的
sess.run(y)
用tf.placeholder占位,在sess.run函数中用feed_dict 喂数据
#喂一组数据
x = tf.placeholder(tf.float32,shape(1,2))
sess.run(y, feed_dict{x:[[0.1,0.2]]})
#喂多组数据
x = tf.placeholder(tf.float32,shape(None,2))
sess.run(y, feed_dict{x:[[0.1,0.2],[0.4,0.6],[0.5,0.2]]})
tf.3_3.py 、 tf3_4.py 和tf3_5.py 代码如下
#tf3_3.py
#coding:utf-8
#两层简神经元网络(全连接)
import tensorflow as tf
#定义输入和参数
x = tf.constant([[0.5, 0.7]])
w1 = tf.Variable(tf.random_normal([2,3], stddev=2, seed=1))
w2 = tf.Variable(tf.random_normal([3,1], stddev=2, seed=1))
#定义前项传播过程
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 "y in tf3_3.py is:\n",sess.run(y,)
#tf3_4.py
#coding:utf-8
#两层简神经元网络(全连接)
import tensorflow as tf
#定义输入和参数
#使用placeholder实现输入定义(sess.run中喂一组数据)
x = tf.placeholder(tf.float32, [1,2])
w1 = tf.Variable(tf.random_normal([2,3], stddev=2, seed=1))
w2 = tf.Variable(tf.random_normal([3,1], stddev=2, seed=1))
#定义前项传播过程
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 "y in tf3_4.py is:\n",sess.run(y, feed_dict={x:[[0.5, 0.7]]})
#tf3_5.py
#coding:utf-8
#两层简神经元网络(全连接)
import tensorflow as tf
#定义输入和参数
x = tf.placeholder(tf.float32, [None,2])
w1 = tf.Variable(tf.random_normal([2,3], stddev=2, seed=1))
w2 = tf.Variable(tf.random_normal([3,1], stddev=2, seed=1))
#定义前项传播过程
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 "y in tf3_5.py is:\n",sess.run(y, feed_dict={x:[[0.5, 0.7],[0.3,0.5],[0.4,0.2],[0.1,0.3]]})
print "w1:\n",sess.run(w1)
print "w2:\n",sess.run(w2)
反向传播:训练模型参数,在所有参数上用梯度下降,使NN模型在训练数据上的损失函数最小。
损失函数(loss):预测值(y)与已知答案(y_)的差距
求损失函数的常用方法MSE:
式中yt为已知答案
在tf 中可以使用 求损失函数
loss = tf.reduce_mean(tf.square(y_-y))
反向传播训练方法:以减小loss 值为优化目标
# tf中常用的反向传播训练方法
# loss 为损失函数
train = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss)
train = tf.train.MomentumOptimizer(learning_rate,loss).minimize(loss)
train = tf.train.AdamOptimizer(learning_rate).minimize(loss)
学习率 :决定参数每次更新的幅度,使用时可以先填一个比较小的值,比如0.001.但是如果过小,收敛会比较慢。
优化器部分可以参考大佬的文章https://blog.csdn.net/weixin_40170902/article/details/80092628/
下面附上tf3_6.py的代码
#coding:utf-8
import tensorflow as tf
import numpy as np
BATCH_SIZE = 8
seed =23455
# 基于seed产生随机数
# random.RandomState()和 rand()都来自numpy库
rng = np.random.RandomState(seed)
# 随机数返回32行2列的矩阵 表示32组 体积和重量 作为输入数据集
X = rng.rand(32,2)
# 将Y作为数据集的标签(正确答案),注意 Y 应是一个32行一列的矩阵,
# 所以 Y 有两个 [[]]
Y = [[int(a+b<1)] for a,b in X]
print "X:\n",X
print "Y:\n",Y
# 1定义神经网络的输入,参数和输出,定义前向传播过程。
x = tf.placeholder(tf.float32, (None, 2))
y_= tf.placeholder(tf.float32, (None, 1))
w1 = tf.Variable(tf.random_normal([2,3], stddev=2, seed=1))
w2 = tf.Variable(tf.random_normal([3,1], stddev=2, seed=1))
a = tf.matmul(x, w1)
y = tf.matmul(a, w2)
# 2定义损失函数及反向传播算法
loss = tf.reduce_mean(tf.square(y-y_))
train_step = tf.train.GradientDescentOptimizer(0.001).minimize(loss)
#train_step = tf.train.MomentumOptimizer(0.001,0.9).minimize(loss)
#train_step = tf.train.AdamOptimizer(0.001).minimize(loss)
# 3生成会话,训练STEPS轮
with tf.Session() as sess:
init_op = tf.global_variables_initializer()
sess.run(init_op)
# print "y in tf3_3.py is:\n",sess.run(y, feed_dict={x:[[0.5, 0.7]]})
# 未经训练时的参数取值。
print "w1:\n", sess.run(w1)
print "w2:\n", sess.run(w2)
print "\n"
# 训练模型
STEPS = 3000
for i in range(STEPS):
start = (i*BATCH_SIZE) % 32
end = start + BATCH_SIZE
sess.run(train_step, feed_dict={x: X[start:end], y_: Y[start:end]})
if (i % 500) == 0 :
total_loss = sess.run(loss,feed_dict={x: X,y_: Y})
print ("After %d step(s),loss on all data is %g" %(i,total_loss))
# 输出训练后的参数
print "\n"
print "w1\n", sess.run(w1)
print "w2\n", sess.run(w2)
另外,Linux下vim编辑器不能同时使用 tab键 和 空格键 使python程序结构对齐,否则会出现报错
文章浏览阅读2.5w次,点赞6次,收藏50次。官方解释是,docker 容器是机器上的沙盒进程,它与主机上的所有其他进程隔离。所以容器只是操作系统中被隔离开来的一个进程,所谓的容器化,其实也只是对操作系统进行欺骗的一种语法糖。_docker菜鸟教程
文章浏览阅读5.7k次,点赞3次,收藏14次。该如何避免的,今天小编给大家推荐两个下载Windows系统官方软件的资源网站,可以杜绝软件捆绑等行为。该站提供了丰富的Windows官方技术资源,比较重要的有MSDN技术资源文档库、官方工具和资源、应用程序、开发人员工具(Visual Studio 、SQLServer等等)、系统镜像、设计人员工具等。总的来说,这两个都是非常优秀的Windows系统镜像资源站,提供了丰富的Windows系统镜像资源,并且保证了资源的纯净和安全性,有需要的朋友可以去了解一下。这个非常实用的资源网站的创建者是国内的一个网友。_msdn我告诉你
文章浏览阅读1.2k次。vue2封装对话框el-dialog组件_
文章浏览阅读4.7k次,点赞5次,收藏6次。MFC 文本框换行 标签: it mfc 文本框1.将Multiline属性设置为True2.换行是使用"\r\n" (宽字符串为L"\r\n")3.如果需要编辑并且按Enter键换行,还要将 Want Return 设置为 True4.如果需要垂直滚动条的话将Vertical Scroll属性设置为True,需要水平滚动条的话将Horizontal Scroll属性设_c++ mfc同一框内输入二行怎么换行
文章浏览阅读832次。检查Linux是否是否开启所需端口,默认为6379,若未打开,将其开启:以root用户执行iptables -I INPUT -p tcp --dport 6379 -j ACCEPT如果还是未能解决,修改redis.conf,修改主机地址:bind 192.168.85.**;然后使用该配置文件,重新启动Redis服务./redis-server redis.conf..._redis-server doesn't support auth command or ismisconfigured. try
文章浏览阅读4.9k次。济大数电实验报告_数据选择器及其应用
文章浏览阅读236次。1研究内容消费在生产中占据十分重要的地位,是生产的最终目的和动力,是保持省内经济稳定快速发展的核心要素。预测河南省社会消费品零售总额,是进行宏观经济调控和消费体制改变创新的基础,是河南省内人民对美好的全面和谐社会的追求的要求,保持河南省经济稳定和可持续发展具有重要意义。本文建立灰色预测模型,利用MATLAB软件,预测出2019年~2023年河南省社会消费品零售总额预测值分别为21881...._灰色预测模型用什么软件
文章浏览阅读1.2k次。12.4-在Qt中使用Log4Qt输出Log文件,看这一篇就足够了一、为啥要使用第三方Log库,而不用平台自带的Log库二、Log4j系列库的功能介绍与基本概念三、Log4Qt库的基本介绍四、将Log4qt组装成为一个单独模块五、使用配置文件的方式配置Log4Qt六、使用代码的方式配置Log4Qt七、在Qt工程中引入Log4Qt库模块的方法八、获取示例中的源代码一、为啥要使用第三方Log库,而不用平台自带的Log库首先要说明的是,在平时开发和调试中开发平台自带的“打印输出”已经足够了。但_log4qt
文章浏览阅读786次。全局观思维模型,一个教我们由点到线,由线到面,再由面到体,不断的放大格局去思考问题的思维模型。_计算机中对于全局观的
文章浏览阅读330次。一、CountDownLatch介绍CountDownLatch采用减法计算;是一个同步辅助工具类和CyclicBarrier类功能类似,允许一个或多个线程等待,直到在其他线程中执行的一组操作完成。二、CountDownLatch俩种应用场景: 场景一:所有线程在等待开始信号(startSignal.await()),主流程发出开始信号通知,既执行startSignal.countDown()方法后;所有线程才开始执行;每个线程执行完发出做完信号,既执行do..._countdownluach于cyclicbarrier的用法
文章浏览阅读508次。Prometheus 算是一个全能型选手,原生支持容器监控,当然监控传统应用也不是吃干饭的,所以就是容器和非容器他都支持,所有的监控系统都具备这个流程,_-自动化监控系统prometheus&grafana实战
文章浏览阅读4.7k次。输入关键字,可以通过键盘的搜索按钮完成搜索功能。_react search