莫烦tensorflow教学
1.session会话控制
Tensorflow 中的Session, Session是 Tensorflow 为了控制,和输出文件的执行的语句. 运行session.run() 可以获得你要得知的运算结果, 或者是你所要运算的部分。
我们首先尝试将两个矩阵相乘并输出结果
import tensorflow as tf # create two matrixes matrix1 = tf.constant([[3,3]])
matrix2 = tf.constant([[2],
[2]])
product = tf.matmul(matrix1,matrix2)
因为product不是直接计算的步骤，所以我们会使用session来激活码product并得到计算结果。
有两种形式使用会话控制session。
# method 1
sess = tf.Session()
result = sess.run(product)
print(result)
sess.close()
# [[12]] # method 2
with tf.Session() as sess:
result2 = sess.run(product)
print(result2)
# >>[[12]]
2.Variable 变量
看得莫烦的tensorflow课程 讲的很有趣，有兴趣的同学也可以去看看
tensorflow中 只有定义了某字符串是变量，他才是变量，这一点与python不同
定义语法：state = tf.Variable( )
import tensorflow as tf state = tf.Variable(0, name='counter') # 定义常量 one
one = tf.constant(1) # 定义加法步骤 (注: 此步并没有直接计算)
new_value = tf.add(state, one) # 将 State 更新成 new_value
update = tf.assign(state, new_value)
定义完变量后，最终要的是初始化！init = tf.initialize-all_variables()
到这里变量还没有激活，需要在sess中 sess.run(init) 激活init这一步
# 如果定义 Variable, 就一定要 initialize
# init = tf.initialize_all_variables() # tf 马上就要废弃这种写法
init = tf.global_variables_initializer() # 替换成这样就好 # 使用 Session
with tf.Session() as sess:
sess.run(init)
for _ in range(3):
sess.run(update)
print(sess.run(state))
注意：直接print（state）是不可以的
应该把sess的指针指向state再进行print才能得到想要的结果！
3.Placeholder 传入值
placeholder是tensorflow中的占位符，暂时存储变量
tensorflow如果想从外部传入数据，那么就需要tf.placehoder（），然后以这种形式传输数据
sess.run(***，feed_dict={input:*****})
#placeholder
import tensorflow as tf input1 = tf.placeholder(tf.float32)
#大部分情况 只能处理float32数据形式
input2 = tf.placeholder(tf.float32) output = tf.multiply(input1,input2) with tf.Session() as sess:
print(sess.run(output,feed_dict={input1:[7],input2:[2]}))
传值工作交给sess.run() ，需要穿的值放在了feed_dict={}，并一一对应每个input
4.激励函数Activation Function
激励函数运行时激活神经网络中某一部分神经元，将激活信息向后传入下一层神经系统。
激励函数的实质是非线性方程。tensorflow的神经网络里面处理较为复杂的问题时都会需要运用激励函数