Tensorflow

TensorFlow 是谷歌开源的机器学习框架，相对于其它现有框架来说，其具有比较好的扩展性，但是也牺牲了它的速度。

下面介绍Tensorflow 的基本使用：

1, tensorflow 基本操作：

import tensorflow as tf
import numpy as np

• 1
• 2

乘法：

a = tf.placeholder("float") # 创建符号变量
b = tf.placeholder("float") y = tf.mul(a, b) # 乘法操作，作用在符号变量上。sess = tf.Session() # 创建会话，计算符号变量表达式a1 = 4
b1 = 5
print "%f + %f = %f"%(4, 5,  sess.run(y, feed_dict={a: a1, b: b1})

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11

线性回归

模型：

# 生成训练数据 + 噪声，下面为了拟合 $$ Y = 2X $$
trX = np.linspace(-1, 1, 101)
trY = 2 * trX + np.random.randn(*trX.shape) * 0.33 # y=2x，但是加入了噪声X = tf.placeholder("float") #输入输出符号变量
Y = tf.placeholder("float")# 定义模型
def model(X, w):return tf.mul(X, w) # 线性回归只需要调用乘法操作即可。# 模型权重 W 用变量表示
w = tf.Variable(0.0, name="weights") # 共享变量
y_model = model(X, w)# 定义损失函数
cost = (tf.pow(Y-y_model, 2)) # 平方损失函数# 构建优化器，最小化损失函数。
train_op = tf.train.GradientDescentOptimizer(0.01).minimize(cost) # 构建会话
sess = tf.Session()# 初始化所有的符号共享变量
init = tf.initialize_all_variables() # 运行会话
sess.run(init)# 迭代训练
for i in range(100):for (x, y) in zip(trX, trY): sess.run(train_op, feed_dict={X: x, Y: y})
# 打印权重w
print(sess.run(w))

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36
• 37

逻辑回归

模型：

# 初始化权重w
def init_weights(shape):return tf.Variable(tf.random_normal(shape, stddev=0.01))# 定义模型
def model(X, w):return tf.matmul(X, w) # 获取mnist 数据
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
trX, trY, teX, teY = mnist.train.images, mnist.train.labels, mnist.test.images, mnist.test.labels# 定义占位符变量
X = tf.placeholder("float", [None, 784])
Y = tf.placeholder("float", [None, 10])w = init_weights([784, 10])
py_x = model(X, w)# 定义损失函数，交叉熵损失函数
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(py_x, Y)) # 训练操作，最小化损失函数
train_op = tf.train.GradientDescentOptimizer(0.05).minimize(cost) # 预测操作，
predict_op = tf.argmax(py_x, 1) # 定义会话
sess = tf.Session()
init = tf.initialize_all_variables()
sess.run(init)# 调用多次梯度下降
for i in range(100):# 训练，每个batch，for start, end in zip(range(0, len(trX), 128), range(128, len(trX), 128)):sess.run(train_op, feed_dict={X: trX[start:end], Y: trY[start:end]})# 测试，每个epochprint i, np.mean(np.argmax(teY, axis=1) ==sess.run(predict_op, feed_dict={X: teX, Y: teY}))

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36
• 37
• 38
• 39
• 40
• 41
• 42

参考：
Tensorflow基本教程[https://github.com/nlintz/TensorFlow-Tutorials]