TensorFlow学习（二）

TensorFlow学习（二）线性回归（例）非线性回归（例）手写数字识别（例）

TensorFlow学习（二）

线性回归（例）

利用梯度下降法来进行线性回归拟合 代码

import tensorflow as tf import numpy as np x_data = np.random.rand(100) #生成100个随机点 y_data = x_data * 0.1 + 2 b = tf.Variable(0.) #构造优化模型 k = tf.Variable(0.) y = k * x_data + b loss = tf.reduce_mean(tf.square(y_data-y)) #reduce_mean求平均值 optimizer = tf.train.GradientDescentOptimizer(0.2) #定义一个梯度下降法来进行训练的优化器 train = optimizer.minimize(loss) init = tf.global_variables_initializer() with tf.Session() as sess: sess.run(init) for i in range(2000): sess.run(train) print(sess.run([k,b]))

结果为： [0.10000114, 1.9999993]

非线性回归（例）

利用神将网络来进行非线性回归拟合 代码

import tensorflow as tf import numpy as np import matplotlib.pyplot as plt x_data = np.linspace(-0.5,0.5,200)[:,np.newaxis] noise = np.random.normal(0,0.02,x_data.shape) y_data = np.square(x_data) + noise x = tf.placeholder(tf.float32,[None,1]) y = tf.placeholder(tf.float32,[None,1]) #构建神经网络，输入一层，中间10个神经元，输出一层 #中间层 weight_l1 = tf.Variable(tf.random_normal([1,10])) biases_l1 = tf.Variable(tf.zeros([1,10])) wx_plus_b_l1 = tf.matmul(x,weight_l1) + biases_l1 L1 = tf.nn.tanh(wx_plus_b_l1) #双曲正切函数作为激活函数 #输出层 weight_l2 = tf.Variable(tf.random_normal([10,1])) biases_l2 = tf.Variable(tf.zeros([1,1])) wx_plus_b_l2 = tf.matmul(L1,weight_l2) + biases_l2 predietion = tf.nn.tanh(wx_plus_b_l2) #定义代价函数，训练方法 loss = tf.reduce_mean(tf.square(y-predietion)) train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) with tf.Session() as sess: sess.run(tf.global_variables_initializer()) for i in range(2000): sess.run(train_step,feed_dict={x:x_data,y:y_data}) prediction_v = sess.run(predietion,feed_dict={x:x_data}) plt.figure() plt.scatter(x_data,y_data) plt.plot(x_data,prediction_v,'r',lw=5) plt.show()

结果为：

手写数字识别（例）

MNIST数据集：手写数字的数据集，一共有六万个训练样本，一万个测试样本，样本如下：

每一张图片包含2828个像素，我们把一个数组展开成一个向量，长度为2828=784.所以在MNIST训练集数据中是一个形状为[60000，784]的张量。图片中每个像素的强度值介于0-1之间。

MNIST数据集的标签为0-9的数字，我们把标签转化为“one-hot vectors”,一个one-hot向量除了某一位数字为1外其他维度都是0.比如标签0表示为[1 0 0 0 0 0 0 0 0 0 0 ],标签3表示为[0 0 0 1 0 0 0 0 0 0] 所以训练集标签是一个形状为[60000，10]的张量

softmax函数 softmax模型可以用来给不同对象分配概率：

神经网络结构

代码如下（结果为准确率）：

import tensorflow as tf import numpy as np from tensorflow.examples.tutorials.mnist import input_data #载入数据集 mnist = input_data.read_data_sets("MNIST_data",one_hot=True) #每个批次的大小 batch_size = 100 #计算一共有多少个批次 n_batch = mnist.train.num_examples // batch_size #定义两个placeholder x = tf.placeholder(tf.float32,[None,784]) y = tf.placeholder(tf.float32,[None,10]) #创建一个简单的神经网络 W = tf.Variable(tf.zeros([784,10])) b = tf.Variable(tf.zeros([10])) prediction = tf.nn.softmax(tf.matmul(x,W)+b) #二次代价函数 #loss = tf.reduce_mean(tf.square(y-prediction)) #交叉熵代价函数 loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction)) #使用梯度下降法 train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss) #初始化变量 init = tf.global_variables_initializer() #结果存放在一个布尔型列表中 correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))#argmax返回一维张量中最大的值所在的位置 #求准确率 accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) with tf.Session() as sess: sess.run(init) for epoch in range(21): for batch in range(n_batch): batch_xs,batch_ys = mnist.train.next_batch(batch_size) sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys}) acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels}) print("Iter " + str(epoch) + ",Testing Accuracy " + str(acc))

结果为：