tensorflow基本操作小白快速構建線性回歸和分類模型

第tensorflow基本操作小白快速構建線性回歸和分類模型目錄tensorflow是非常強的工具，生態(tài)龐大tensorflow提供了Keras的分支Definetensorconstants.LinearRegression分類模型本例使用MNIST手寫數字Modelprediction:7Modelprediction:2Modelprediction:1Modelprediction:0Modelprediction:4TF目前發(fā)布2.5版本，之前閱讀1.X官方文檔，最近查看2.X的文檔。

tensorflow是非常強的工具，生態(tài)龐大

tensorflow提供了Keras的分支

這里不再提供Keras相關順序模型教程。

關于環(huán)境：ubuntu的GPU，需要cuda和nvcc

不會安裝：查看

完整的Ubuntu18.04深度學習GPU環(huán)境配置，英偉達顯卡驅動安裝、cuda9.0安裝、cudnn的安裝、anaconda安裝

不安裝，直接翻墻用colab

測試GPU

fromtensorflow.python.clientimportdevice_lib

device_lib.list_local_devices()

這是意思是掛了一個顯卡

具體查看官方文檔：/install

服務器跑Jupyter

Definetensorconstants.

importtensorflowastf

#CreateaTensor.

hello=tf.constant("helloworld")

hello

#Definetensorconstants.

a=tf.constant(1)

b=tf.constant(6)

c=tf.constant(9)

#tensor變量的操作

#(+,*,...)

add=tf.add(a,b)

sub=tf.subtract(a,b)

mul=tf.multiply(a,b)

div=tf.divide(a,b)

#通過numpy返回數值和torch一樣

print("add=",add.numpy())

print("sub=",sub.numpy())

print("mul=",mul.numpy())

print("div=",div.numpy())

add=7

sub=-5

mul=6

div=0.16666666666666666

mean=tf.reduce_mean([a,b,c])

sum_=tf.reduce_sum([a,b,c])

#Accesstensorsvalue.

print("mean=",mean.numpy())

print("sum=",sum_.numpy())

mean=5

sum=16

#Matrixmultiplications.

matrix1=tf.constant([[1.,2.],[3.,4.]])

matrix2=tf.constant([[5.,6.],[7.,8.]])

product=tf.matmul(matrix1,matrix2)

product

tf.Tensor:shape=(2,2),dtype=float32,numpy=

array([[19.,22.],

[43.,50.]],dtype=float32)

#TensortoNumpy.

np_product=product.numpy()

print(type(np_product),np_product)

(numpy.ndarray,

array([[19.,22.],

[43.,50.]],dtype=float32))

LinearRegression

下面使用tensorflow快速構建線性回歸模型，這里不使用kears的順序模型，而是采用torch的模型定義的寫法。

importnumpyasnp

importtensorflowastf

#Parameters:

learning_rate=0.01

training_steps=1000

display_step=50

#TrainingData.

X=np.array([3.3,4.4,5.5,6.71,6.93,4.168,9.779,6.182,7.59,2.167,7.042,10.791,5.313,7.997,5.654,9.27,3.1])

Y=np.array([1.7,2.76,2.09,3.19,1.694,1.573,3.366,2.596,2.53,1.221,2.827,3.465,1.65,2.904,2.42,2.94,1.3])

random=np.random

#權重和偏差，隨機初始化。

W=tf.Variable(random.randn(),name="weight")

b=tf.Variable(random.randn(),name="bias")

#Linearregression(Wx+b).

deflinear_regression(x):

returnW*x+b

#Meansquareerror.

defmean_square(y_pred,y_true):

returntf.reduce_mean(tf.square(y_pred-y_true))

#隨機梯度下降優(yōu)化器。

optimizer=tf.optimizers.SGD(learning_rate)

#優(yōu)化過程。

defrun_optimization():

#將計算包在GradientTape中，以便自動區(qū)分。

withtf.GradientTape()asg:

pred=linear_regression(X)

loss=mean_square(pred,Y)

#計算梯度。

gradients=g.gradient(loss,[W,b])

#按照梯度更新W和b。

optimizer.apply_gradients(zip(gradients,[W,b]))

#按給定的步數進行訓練。

forstepinrange(1,training_steps+1):

#運行優(yōu)化以更新W和b值。

run_optimization()

ifstep%display_