首页 / 深度学习 / 3天入门python深度学习第一天
3天入门python深度学习第一天
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了3天入门python深度学习第一天，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含5406字，纯文字阅读大概需要8分钟。
内容图文
应用场景
用Tensorflow实现加法运算演示数据流图（需要开启会话）
import tensorflow as tf
def tensorflow_demo():
# Tensorflow实现加法
a=tf.constant(2)
b=tf.constant(3)
c=a+b
print("Tensorflow加法运算的结果:\n",c)
#开启会话
with tf.Session() as sess:
c_t=sess.run(c)
print("c_t:\n",c_t)
if __name__ == '__main__':
tensorflow_demo()
import tensorflow as tf
def tensorflow_demo():
# Tensorflow实现加法
a=tf.constant(2)
b=tf.constant(3)
#c=a+b(不提倡直接使用符合运算)
c=tf.add(a,b)
print("Tensorflow加法运算的结果:\n",c)
# 查看默认图
# 方法1：调用方法
default_g = tf.get_default_graph()
print("default_g:\n", default_g)
# 方法2:查看属性
print("a的图属性:\n", a.graph)
print("c的图属性:\n", c.graph)
#开启会话
with tf.Session() as sess:
c_t=sess.run(c)
print("c_t:\n",c_t)
print("sess的图属性:\n",sess.graph)
return None
if __name__ == '__main__':
tensorflow_demo()
import tensorflow as tf
def tensorflow_demo():
new_g = tf.get_default_graph()
with new_g.as_default():
a_new = tf.constant(20)
b_new = tf.constant(30)
c_new = a_new+b_new
print("c_new:\n",c_new)
#这时就不能用默认的sesstion了
#开启new_g的会话
with tf.Session(graph=new_g) as new_sess:
c_new_value = new_sess.run(c_new)
print("c_new_value:\n",c_new_value)
print("new_sess的图属性:\n",new_sess.graph)
return None
if __name__ == '__main__':
tensorflow_demo()
OP
张量
演示：
张量变换总结：
创建变量、变量的初始化、修改命名空间代码：
import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
def variable_demo():
"""
变量的演示
:return:
"""
# 创建变量
with tf.variable_scope("my_scope"):
a = tf.Variable(initial_value=50)
b = tf.Variable(initial_value=40)
with tf.variable_scope("your_scope"):
c = tf.add(a, b)
print("a:\n", a)
print("b:\n", b)
print("c:\n", c)
# 初始化变量
init = tf.global_variables_initializer()
# 开启会话
with tf.Session() as sess:
# 运行初始化
sess.run(init)
a_value, b_value, c_value = sess.run([a, b, c])
print("a_value:\n", a_value)
print("b_value:\n", b_value)
print("c_value:\n", c_value)
return None
if __name__ == '__main__':
variable_demo()
3.步骤：
代码：
import tensorflow as tf
def linear_regression():
"""
自实现一个线性回归
:return:
"""
# 1）准备数据
X = tf.random_normal(shape=[100, 1])
y_true = tf.matmul(X, [[0.8]]) + 0.7
# 2）构造模型
# 定义模型参数 用 变量
weights = tf.Variable(initial_value=tf.random_normal(shape=[1, 1]))
bias = tf.Variable(initial_value=tf.random_normal(shape=[1, 1]))
y_predict = tf.matmul(X, weights) + bias
# 3）构造损失函数
error = tf.reduce_mean(tf.square(y_predict - y_true))
# 4）优化损失
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(error)
# 显式地初始化变量
init = tf.global_variables_initializer()
# 开启会话
with tf.Session() as sess:
# 初始化变量
sess.run(init)
# 查看初始化模型参数之后的值
print("训练前模型参数为：权重%f，偏置%f，损失为%f" % (weights.eval(), bias.eval(), error.eval()))
#开始训练
for i in range(100):
sess.run(optimizer)
print("第%d次训练后模型参数为：权重%f，偏置%f，损失为%f" % (i+1, weights.eval(), bias.eval(), error.eval()))
return None
if __name__ == '__main__':
linear_regression()
代码如下：
import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
def linear_regression():
"""
自实现一个线性回归
:return:
"""
with tf.variable_scope("prepare_data"):
# 1）准备数据
X = tf.random_normal(shape=[100, 1], name="feature")
y_true = tf.matmul(X, [[0.8]]) + 0.7
with tf.variable_scope("create_model"):
# 2）构造模型
# 定义模型参数 用 变量
weights = tf.Variable(initial_value=tf.random_normal(shape=[1, 1]), name="Weights")
bias = tf.Variable(initial_value=tf.random_normal(shape=[1, 1]), name="Bias")
y_predict = tf.matmul(X, weights) + bias
with tf.variable_scope("loss_function"):
# 3）构造损失函数
error = tf.reduce_mean(tf.square(y_predict - y_true))
with tf.variable_scope("optimizer"):
# 4）优化损失
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(error)
# 2_收集变量
tf.summary.scalar("error", error)
tf.summary.histogram("weights", weights)
tf.summary.histogram("bias", bias)
# 3_合并变量
merged = tf.summary.merge_all()
# 创建Saver对象
saver = tf.train.Saver()
# 显式地初始化变量
init = tf.global_variables_initializer()
# 开启会话
with tf.Session() as sess:
# 初始化变量
sess.run(init)
# 1_创建事件文件
file_writer = tf.summary.FileWriter("./tmp/linear", graph=sess.graph)
# 查看初始化模型参数之后的值
print("训练前模型参数为：权重%f，偏置%f，损失为%f" % (weights.eval(), bias.eval(), error.eval()))
# #开始训练
# for i in range(100):
# sess.run(optimizer)
# print("第%d次训练后模型参数为：权重%f，偏置%f，损失为%f" % (i+1, weights.eval(), bias.eval(), error.eval()))
#
# # 运行合并变量操作
# summary = sess.run(merged)
# # 将每次迭代后的变量写入事件文件
# file_writer.add_summary(summary, i)
#
# # 保存模型
# if i % 10 ==0:
# saver.save(sess, "./tmp/model/my_linear.ckpt")
# 加载模型
if os.path.exists("./tmp/model/checkpoint"):
saver.restore(sess, "./tmp/model/my_linear.ckpt")
print("训练后模型参数为：权重%f，偏置%f，损失为%f" % (weights.eval(), bias.eval(), error.eval()))
return None
if __name__ == '__main__':
linear_regression()
import tensorflow as tf
# 1）定义命令行参数
tf.app.flags.DEFINE_integer("max_step", 100, "训练模型的步数")
tf.app.flags.DEFINE_string("model_dir", "Unknown", "模型保存的路径+模型名字")
# 2）简化变量名
FLAGS = tf.app.flags.FLAGS
def command_demo():
"""
命令行参数演示
:return:
"""
print("max_step:\n", FLAGS.max_step)
print("model_dir:\n", FLAGS.model_dir)
return None
if __name__ == '__main__':
command_demo()
在主函数中直接使用
就可以调用main(argv),功能是显示路径
总结：
内容总结
以上是互联网集市为您收集整理的3天入门python深度学习第一天全部内容，希望文章能够帮你解决3天入门python深度学习第一天所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。
来源：【匿名】