TensorFlow流程图

TensorFlow流程图

通过以上的分享，我们了解到了TensorFlow的基本基础知识，本期主要介绍一下TensorFlow的结构，Tensorflow 是非常重视结构的, 只有建立好了神经网络的结构, 才能放置一些数据, 进而运行这个结构.

创建TensorFlow结构

一：创建初始化数据

我们需要import TensorFlow与numpy两个模块，使用numpy设置我们的初始数据（我们定义的实际数据）

import tensorflow as tf
import numpy as np
#设置初始数据
x=np.random.rand(200).astype(np.float32)
y=x*0.2+0.3 #线性一元一次方程

二：创建TensorFlow数据结构（构建图）

我们上几期讨论过TensorFlow的常量 tf.constant来表示，在TensorFlow中，变量的表示为tf.Variable ，我们使用tf.Variable 来描述y_train（TensorFlow通过训练学习到的一元一次方程）的参数

我们定义2个变量：Weights与biases

那么TensorFlow学习到的一元一次方程为：y_train=Weights*x+biases

TensorFlow通过学习使Weights尽量接近0.2，biases尽量接近0.3，y_train尽量接近y

#创建TensorFlow数据结构 
Weights=tf.Variable(tf.random_uniform([1],-1.0,1.0)) #权重
biases=tf.Variable(tf.zeros([1])) #偏差
y_train=x*Weights+biases

三：设置偏差

TensorFlow训练的目的就是把得到的Weights尽量接近0.2，biases尽量接近0.3，就是y_train 接近y ,我们定义一个误差loss来表示，TensorFlow的目的就是把loss尽量缩小

loss=tf.reduce_mean(tf.square(y_train-y)) #tf.square 是求平方和，tf.reduce_mean是
 #归约计算(Reduction)的求tensor中平均值
 #关于TensorFlow的函数我们后期介绍

四：设置优化器

TensorFlow optimizer（优化器）主要用来训练神经网络（利用不同的算法来优化我们的神经网络）

optimizer=tf.train.GradientDescentOptimizer(0.5)#最基本的优化器

优化函数

五：设置神经训练网络

之所以说是设置是因为此时整个神经网络还没有运行，我们需要启动图（启动神经网络）

train=optimizer.minimize(loss) #训练的目的是最小化loss

六：启动神经网络

在启动神经网络之前我们需要进行TensorFlow变量的初始化（TensorFlow中，变量必须进过初始化，否则定义的变量是不直接进行运算的），然后使用我们前期学习的到的sess = tf.Session()的run函数来运行我们的神经网络

init=tf.global_variables_initializer() #初始化TensorFlow变量
sess.run(init) #TensorFlow中，所有的运行必须使用run函数
sess.run(train) #启动神经网络

以上就是整个TensorFlow的结构设计，为了看到TensorFlow学习的效果，我们每隔10步打印一下TensorFlow训练的结果

with tf.Session() as sess:
 sess.run(init)
 for step in range(101):#训练100step
 sess.run(train)
 if step%10==0:
 print(step,sess.run(Weights),sess.run(biases))
>>>

TensorFlow 结果

从以上的数据，我们可以看出，TensorFlow 0步随机数据是：

Weights=-0.36

biases=0.77

经过反复的train，TensorFlow把Weights，biases训练的已经很接近我们定义的值

下期预告

OK，以上就是本期分享的内容，下期我们介绍一下我们先前讲述的TensorFlow的激励函数的应用