1 import tensorflow as tf 
 2 import numpy as np 
 3 import matplotlib.pyplot as plt
 4 
 5 
 6 train_X = np.linspace(-1, 1, 1000);
 7 train_Y = 2 * train_X + np.random.randn(*train_X.shape)*0.3
 8 
 9 plt.plot(train_X,train_Y,‘ro‘,label = ‘Original data‘)
10 plt.legend()
11 #plt.show()
12 
13 X = tf.placeholder("
 
float")
14 Y = tf.placeholder("float")
15 
16 W = tf.Variable(tf.random_normal([1]),name = "weight")
17 b = tf.Variable(tf.zeros([1]),name = "bias")
18 
19 z = tf.multiply(X,W)+b
20 
21 #評估結果，利用梯度下降來反饋結果
22 cost = tf.reduce_mean(tf.square(Y - z))
23 learning_rate = 0.01 
24 optimizier = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)
 
25 
26 
27 init = tf.global_variables_initializer()
28 
29 training_epochs = 30
30 display_step = 2
31 
32 #session 
33 
34 with tf.Session() as sess:
35     sess.run(init)
36     plotdata = {"batchsize":[],"loss":[]}
37     for epoch in range(training_epochs):
38         for (x,y) in zip(train_X,train_Y):
 
39             sess.run(optimizier,feed_dict = {X : x,Y : y})
40 
41 
42         if epoch % display_step == 0:
43             loss = sess.run(cost,feed_dict = {X:train_X,Y:train_Y})
44             print("Epoch:",epoch+1,"cost=",loss,"W=",sess.run(W),"b=",sess.run(b))
45             if not (loss == "NA"):
46                 plotdata["batchsize"].append(epoch)
47                 plotdata["loss"].append(loss)
48 
49     print(" Finished!")
50     print ("cost = ",sess.run(cost,feed_dict = {X : train_X , Y : train_Y}),"W = ", sess.run(W),"b = ",sess.run(b))

代碼主要是對給定的 y ≈ 2x 進行學習，模擬出合適的權值w和偏執值b。

下面記錄一下各種函數的作用，有助於本人學習記憶python庫和函數：

1.首先是linspace函數：numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)

　　返回（start，stop）間的num個數，endpoint為真sample必然有終點，為否必然沒有終點，retstep表示一定步長，最後返回（sample，step）

2.np.random.randn : numpy.random.rand(d0, d1, ..., dn)

　　隨機產生維度為（d0,d1...，dn）的隨機數，從標準正態分布中產生。

　　但random.rand（d0,d1...，dn）產生數值取值範圍是[0,1)

3.tf.placeholder : tf.placeholder(dtype,shape = None , name = None)

　　占位數，可以理解為變量，在需要的時候才去賦值

　　dtype 表示數據類型，例如tf.float32,tf.float64，shape表示數組形狀,shape = None 表示一維數，還可以shape =[3,4]，shape = [None,4]表示行未定。返回Tensor類型。

4.tf.Variable.int()

　　tf.Variable.init(initial_value, trainable=True, collections=None, validate_shape=True, name=None)

　　參數表引用相關資料：

5.tf.random_normal() : tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)

　　代碼中僅用到shape=[1],表示一維數

6.tf.reduce_mean(input_tensor, reduction_indices=None, keep_dims=False, name=None) 求平均值

　　input_tensor:待求值的tensor。

　　reduction_indices:在哪一維上求解。

7.tf.train.GrandientDescentOptimizer(learning_rate)

　　產生一個規定學習率的優化器：optmizier = tf.train.GrandientDescentOptimizer(learning_rate = 0.01)

　　計算梯度並且直接作用於變量上：optimizer.minimize(cost , var_list = <list of variables>)

　　optimizer.run()

　　計算出梯度：gradients = optimizer.compute_gradients(loss , <list of variables>)

　　然後就可以根據自己的需要處理梯度了。

8.tf.global_variables_initializer()初始化所有Tensor變量的狀態

　　init = tf.global_variables_initializer()

　　with tf.Session() as sess:

　　　　sess.run(init)

TensorFlow框架實戰學習（1）