TF学习:Tensorflow基础案例、经典案例集合——基于python编程代码的实现(一)

目录


Tensorflow的使用入门


1、TF:使用Tensorflow输出一句话


2、TF实现加法


3、TF实现乘法


4、TF实现计算功能


5、TF:Tensorflow完成一次线性函数计算


Tensorflow的基础案例


1、TF根据三维数据拟合平面


Tensorflow的经典案例



Tensorflow的使用入门


1、TF:使用Tensorflow输出一句话


#TF:使用Tensorflow输出一句话

import tensorflow as tf

import numpy as np

greeting = tf.constant('Hello Google Tensorflow!')

sess = tf.Session()           #启动一个会话

result = sess.run(greeting)   #使用会话执行greeting计算模块

print(result)

sess.close()                  #关闭会话,这是一种显式关闭会话的方式


2、TF实现加法


张量和图的两种方式实现:声明两个常量 a 和 b,并定义一个加法运算。先定义一张图,然后运行它,


# -*- coding: utf-8 -*-

#1、张量和图的两种方式实现:声明两个常量 a 和 b,并定义一个加法运算。先定义一张图,然后运行它,

import tensorflow as tf

import os

import numpy as np

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

#T1

a=tf.constant([1,0,1,4])

b=tf.constant([ 1 , 0 , 0 , 4 ])

result=a+b

sess=tf. Session ()

print (sess.run(result))

sess.close

#T2

with  tf.Session()  as  sess:

   a=tf.constant([ 1 , 0 , 1 , 4 ])

   b=tf.constant([ 1 , 0 , 0 , 4 ])

   result=a+b

   print (sess.run(result))

#2、常量和变量

#TensorFlow 中最基本的单位是常量(Constant)、变量(Variable)和占位符(Placeholder)。常量定义后值和维度不可变,变量定义后值可变而维度不可变。在神经网络中,变量一般可作为储存权重和其他信息的矩阵,而常量可作为储存超参数或其他结构信息的变量。下面我们分别定义了常量与变量

#声明了不同的常量(tf.constant())

a = tf.constant( 2 , tf.int16)  #声明了不同的整数型数据

b = tf.constant( 4 , tf.float32)  #声明了不同的浮点型数据

c = tf.constant( 8 , tf.float32)  

#声明了不同的变量(tf.Variable())

d = tf. Variable ( 2 , tf.int16)

e = tf. Variable ( 4 , tf.float32)  

f = tf. Variable ( 8 , tf.float32)  

g = tf.constant(np.zeros(shape=( 2 , 2 ), dtype=np.float32))#声明结合了 TensorFlow 和 Numpy

h = tf.zeros([ 11 ], tf.int16)  #产生全是0的矩阵

i = tf.ones([ 2 , 2 ], tf.float32)  #产生全是 1的矩阵

j = tf.zeros([ 1000 , 4 , 3 ], tf.float64)  

k = tf. Variable (tf.zeros([ 2 , 2 ], tf.float32))  

l = tf. Variable (tf.zeros([ 5 , 6 , 5 ], tf.float32))

#声明一个 2 行 3 列的变量矩阵,该变量的值服从标准差为 1 的正态分布,并随机生成

w1=tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))

#TensorFlow 还有 tf.truncated_normal() 函数,即截断正态分布随机数,它只保留 [mean-2*stddev,mean+2*stddev] 范围内的随机数

#案例应用:应用变量来定义神经网络中的权重矩阵和偏置项向量

weights = tf.Variable(tf.truncated_normal([256 * 256, 10]))

biases = tf. Variable (tf.zeros([10]))

print (weights.get_shape().as_list())

print (biases.get_shape().as_list())


3、TF实现乘法

Tensorflow之session会话的使用,定义两个矩阵,两种方法输出2个矩阵相乘的结果


import tensorflow as tf

matrix1 = tf.constant([[3, 20]])

matrix2 = tf.constant([[6],      

                      [100]])

product = tf.matmul(matrix1, matrix2)  

# method 1,常规方法

sess = tf.Session()        

result = sess.run(product)

print(result)

sess.close()            

# # method 2,with方法

# with tf.Session() as sess:   #

#     result2 = sess.run(product)

#     print(result2)


上一篇:ArcEngine控制台应用程序


下一篇:k8s 集群下微服务 pod 的各种指标信息监控