TensorFlow流程圖
TensorFlow流程圖
通過以上的分享，我們瞭解到了TensorFlow的基本基礎知識，本期主要介紹一下TensorFlow的結構，Tensorflow 是非常重視結構的, 只有建立好了神經網絡的結構, 才能放置一些數據, 進而運行這個結構.
創建TensorFlow結構
一：創建初始化數據
我們需要import TensorFlow與numpy兩個模塊，使用numpy設置我們的初始數據（我們定義的實際數據）
import tensorflow as tf
import numpy as np
#設置初始數據
x=np.random.rand(200).astype(np.float32)
y=x*0.2+0.3 #線性一元一次方程
二：創建TensorFlow數據結構（構建圖）
我們上幾期討論過TensorFlow的常量 tf.constant來表示，在TensorFlow中，變量的表示為tf.Variable ，我們使用tf.Variable 來描述y_train（TensorFlow通過訓練學習到的一元一次方程）的參數
我們定義2個變量：Weights與biases
那麼TensorFlow學習到的一元一次方程為：y_train=Weights*x+biases
TensorFlow通過學習使Weights儘量接近0.2，biases儘量接近0.3，y_train儘量接近y
#創建TensorFlow數據結構
Weights=tf.Variable(tf.random_uniform([1],-1.0,1.0)) #權重
biases=tf.Variable(tf.zeros([1])) #偏差
y_train=x*Weights+biases
三：設置偏差
TensorFlow訓練的目的就是把得到的Weights儘量接近0.2，biases儘量接近0.3，就是y_train 接近y ,我們定義一個誤差loss來表示，TensorFlow的目的就是把loss儘量縮小
loss=tf.reduce_mean(tf.square(y_train-y)) #tf.square 是求平方和，tf.reduce_mean是
#歸約計算(Reduction)的求tensor中平均值
#關於TensorFlow的函數我們後期介紹
四：設置優化器
TensorFlow optimizer（優化器）主要用來訓練神經網絡（利用不同的算法來優化我們的神經網絡）
optimizer=tf.train.GradientDescentOptimizer(0.5)#最基本的優化器
優化函數
五：設置神經訓練網絡
之所以說是設置是因為此時整個神經網絡還沒有運行，我們需要啟動圖（啟動神經網絡）
train=optimizer.minimize(loss) #訓練的目的是最小化loss
六：啟動神經網絡
在啟動神經網絡之前我們需要進行TensorFlow變量的初始化（TensorFlow中，變量必須進過初始化，否則定義的變量是不直接進行運算的），然後使用我們前期學習的到的sess = tf.Session()的run函數來運行我們的神經網絡
init=tf.global_variables_initializer() #初始化TensorFlow變量
sess.run(init) #TensorFlow中，所有的運行必須使用run函數
sess.run(train) #啟動神經網絡
以上就是整個TensorFlow的結構設計，為了看到TensorFlow學習的效果，我們每隔10步打印一下TensorFlow訓練的結果
with tf.Session() as sess:
sess.run(init)
for step in range(101):#訓練100step
sess.run(train)
if step%10==0:
print(step,sess.run(Weights),sess.run(biases))
>>>
TensorFlow 結果
從以上的數據，我們可以看出，TensorFlow 0步隨機數據是：
Weights=-0.36
biases=0.77
經過反覆的train，TensorFlow把Weights，biases訓練的已經很接近我們定義的值
下期預告
OK，以上就是本期分享的內容，下期我們介紹一下我們先前講述的TensorFlow的激勵函數的應用
閱讀更多 powers415 的文章
