4、TF实现计算功能

TF：Tensorflow定义变量+常量,实现输出计数功能

输出结果

代码设计

#TF：Tensorflow定义变量+常量,实现输出计数功能

import tensorflow as tf

state = tf.Variable(0, name='Parameter_name_counter')  

#print(state.name)

one = tf.constant(1)  

new_value = tf.add(state, one)  

update = tf.assign(state, new_value)

init = tf.global_variables_initializer()  

with tf.Session() as sess:  

   sess.run(init)        

   for _ in range(8):

       sess.run(update)

       print(sess.run(state))

5、TF：Tensorflow完成一次线性函数计算

#TF：Tensorflow完成一次线性函数计算

#思路：TF像搭积木一样将各个不同的计算模块拼接成流程图，完成一次线性函数的计算，并在一个隐式会话中执行。

matrix1 = tf.constant([[3., 3.]])           #声明matrix1为TF的一个1*2的行向量

matrix2 = tf.constant([[2.],[2.]])          #声明matrix2为TF的一个2*1的列向量

product = tf.matmul(matrix1, matrix2)       #两个算子相乘，作为新算例

linear = tf.add(product, tf.constant(2.0))  #将product与一个标量2求和拼接.作为最终的linear算例

#直接在会话中执行linear算例，相当于将上面所有的单独算例拼接成流程图来执行

with tf.Session() as sess:

   result = sess.run(linear)

   print(result)

Tensorflow的基础案例

1、TF根据三维数据拟合平面

Python 程序生成了一些三维数据, 然后用一个平面拟合它.

import tensorflow as tf

import numpy as np

# 使用 NumPy 生成假数据(phony data), 总共 100 个点.

x_data = np.float32(np.random.rand(2, 100)) # 随机输入

y_data = np.dot([0.100, 0.200], x_data) + 0.300

# 构造一个线性模型

#

b = tf.Variable(tf.zeros([1]))

W = tf.Variable(tf.random_uniform([1, 2], -1.0, 1.0))

y = tf.matmul(W, x_data) + b

# 最小化方差

loss = tf.reduce_mean(tf.square(y - y_data))

optimizer = tf.train.GradientDescentOptimizer(0.5)

train = optimizer.minimize(loss)

# 初始化变量

init = tf.initialize_all_variables()

# 启动图 (graph)

sess = tf.Session()

sess.run(init)

# 拟合平面

for step in xrange(0, 201):

   sess.run(train)

   if step % 20 == 0:

       print step, sess.run(W), sess.run(b)

# 得到最佳拟合结果 W: [[0.100  0.200]], b: [0.300]

Tensorflow的经典案例

后期更新……