第三章 tensorflow入门

fdsfdsfdsffdsfdsf

tensoflow即tensor  flow，张量 流动，张量即数组。tensorboard可视化工具。tensorflow三个基本概念：计算图(tf.Graph) 张量(tf.Tensor) 会话(tf.Session)计算图是计算模型，每个节点是一个运算，边表示数据传递关系，数据是张量。

tensoflow即tensor  flow，张量 流动，张量即数组。tensorboard可视化工具。tensorflow三个基本概念：计算图(tf.Graph) 张量(tf.Tensor) 会话(tf.Session)计算图是计算模型，每个节点是一个运算，边表示数据传递关系，数据是张量。

TF游乐场,网址是playground.tensorflow.org/，可以训练简单的网络。

解决分类问题的四个步骤：

1.提取特征向量

2.定义网络结构

3.训练调参

4.前向预测

产生矩阵：

weights = tf.Variable(tf.random_normal([2,3],stddev=2))

产生2*3的矩阵，服从均值为0，方差为2的分布

博客[1]给出了一个mnist的例子，还是不错的，准确率能达到91%

#-*-coding:utf-8-*-
import gzip  
import os  
import tempfile  
  
import numpy  
from six.moves import urllib  
from six.moves import xrange  # pylint: disable=redefined-builtin  
import tensorflow as tf  
from tensorflow.contrib.learn.python.learn.datasets.mnist import read_data_sets  
import tensorflow as tf  
  
#MNIST数据输入  
mnist = read_data_sets("MNIST_data/", one_hot=True)  
  
x = tf.placeholder(tf.float32,[None, 784]) #图像输入向量  
W = tf.Variable(tf.zeros([784,10]))  #权重，初始化值为全零  
b = tf.Variable(tf.zeros([10]))  #偏置，初始化值为全零  
  
#进行模型计算，y是预测，y_ 是实际  
y = tf.nn.softmax(tf.matmul(x,W) + b)  
  
y_ = tf.placeholder("float", [None,10])  
  
#计算交叉熵  
cross_entropy = -tf.reduce_sum(y_*tf.log(y))  
#接下来使用BP算法来进行微调,以0.01的学习速率  
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)  
  
#上面设置好了模型，添加初始化创建变量的操作  
init = tf.initialize_all_variables()  
#启动创建的模型，并初始化变量  
sess = tf.Session()  
sess.run(init)  
#开始训练模型，循环训练1000次  
for i in range(1000):  
    #随机抓取训练数据中的100个批处理数据点  
    batch_xs, batch_ys = mnist.train.next_batch(100)  
    sess.run(train_step, feed_dict={x:batch_xs,y_:batch_ys})  
    print 'run '+ str(i) +' epoch'
      
''''' 进行模型评估 '''  
  
#判断预测标签和实际标签是否匹配  
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(y_,1))   
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))  
#计算所学习到的模型在测试数据集上面的正确率  
print( sess.run(accuracy, feed_dict={x:mnist.test.images, y_:mnist.test.labels}) ) 
print 'done!'