tensorflow學習筆記（1）

　　（1）tf中的圖

　　圖中就是一個計算圖，一個計算過程。 圖中的constant是個常量

　　計算圖只描述過程，不執行。

　　（2）tf中的會話

　　那麽怎麽計算呢？

　　tensorflow有個會話是專門用來計算的

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))

　　這裏定義了個矩陣相乘的運算，並用會話結構 with tf.session() as sess:計算

　　打印結果為 1*3+2*4=11沒毛病

　　　（3）tf中的變量

　　tf中遍歷就是神經元上的參數或者說是權重w，我們要改變的就是這個參數。

　　seed是隨機數種子，不加的話每次生成的都不一樣

　　除了正太分布tf還提供均勻分布，還有零矩陣和1矩陣的初始化，還有填充矩陣和constant矩陣的初始化方法

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

　　如

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

　　（4）tf.placeholder

　　這是個占位的作用，可以理解為申明定義變量

　　如x=tf.placeholder(tf.float32,shape=(1,2))這是聲明

　　然後餵入一組數據

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

　　餵入多組數據

　　x=tf.placeholder(tf.float32,shape=(None,2))#none表示不限樣本數

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

　　（5）神經網絡四部曲

　　1.準備數據和提取特征值輸入神經網絡

　　2.搭建NN結構，先搭建圖然後運算（前向傳播）（計算輸出）

　　3.大量數據餵入NN，叠代優化參數（權重和偏置）（NN反向傳播算法）

　　4.用訓練好的模型分類預測

　　（5）這裏實現一個簡單2層網絡模型

# -*- coding: utf-8 -*-
import tensorflow as tf
#兩層神經網絡（全連接過程）

#初始化特征值和參數
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))


#定義前向傳播過程
a=tf.matmul(x,w1)
y=tf.matmul(a,w2)


#用會話計算結果
with tf.Session() as sess:
    init_op=tf.global_variables_initializer()
    sess.run(init_op)
    print(sess.run(y))

　　運行結果如下

　　這是餵入多組數據的方法

　　這裏的特征值我們已經固定，我們也可以先用placeholdr占位，然後再sess.run()裏面餵入feed_dict={xxx}

tensorflow學習筆記(1)-基本語法和前向傳播