技术标签: tensorflow tensforflow笔记学习记录
定义:
基于tensorflow的NN:用张量表示数据,用结算图搭建神经网络,用会话执行计算图,优化线上 的权重(参数),得到模型
张量(tensor) : 多维数组(列表)
阶 :张量的维度
张量可以表示 0阶到n阶数组(列表)
维数 | 阶 | 名字 | 例子 |
0-D | 0 | 标量 scalar | s = 123 |
1-D | 1 | 向量 vector | v = [1, 2, 3] ,(向量和矩阵的定义应该是来自线性代数) |
2-D | 2 | 矩阵 matrix | m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]] |
n-D | n | 张量 tensor | t = [[[[... (n阶张量有n对[],可以用[的个数判断是几阶张量) |
数据类型: tf.float32 tf.int32 ....
例子
import tensorflow as tf
a = tf.constant([1.0, 2.0])
b = tf.constant([3.o, 4.0])
result = a + b
print result
# 显示如下
Tensor("add:0", shape=(2,), dtype=float32)
显示结果解释如下
Tensor( | “add: | 0", | shape= | (2,), | dtype=float32) |
节点名 | 第0个输出 | 维度 | 一维数组长度为2 |
数据类型 |
shape参数解释
# 伪代码 解释shape 参数意义
# 设 a b1 b2 b3 c1_b1_1 c2_b1_2 等 为tensorflow库中常张量
# b1 b2等定义在伪代码末
a = [
[[1,2,3,4],[2,3,4,5]],
[[3,4,5,6],[4,5,6,7]],
[[5,6,7,8],[6,7,8,9]]
]
# 这时 print a 的结果为
# Tensor("const_4:0", shape=(3,2,4), dtype=int32)
# 张量a有三个b 所以a的长度为3 即为 shape 中第一个参数3的含义
# 同理 shape 中第二个参数2的含义 为b中有三个子张量
# shape 中 4 为 向量c 中元素个数。
# 在本例中
# a是3-D张量(或3维数组)
# b为2-D张量(二维数组)
# c为一维向量(一维数组)
b1 = [
[1,2,3,4],
[2,3,4,5]
]
b2 = [
[3,4,5,6],
[4,5,6,7]
]
b3 = [
[5,6,7,8],
[6,7,8,9]
]
c1_b1_1 = [1,2,3,4]
c2_b1_2 = [2,3,4,5]
c3_b2_1 = [3,4,5,6]
c4_b2_2 = [4,5,6,7]
c5_b3_1 = [5,6,7,8]
c6_b3_2 = [6,7,8,9]
# 那么 a b 可以用 b和c 表示
b1 = [c1_b1_1, c2_b1_2]
b2 = [c3_b2_1, c4_b2_2]
b3 = [c5_b3_1, c6_b3_2]
a = [
b1,
b2,
b3
]
a = [
[c1_b1_1,c2_b1_2],
[c3_b2_1,c4_b2_2],
[c5_b3_1,c6_b3_2]
]
vim设置
在Linux终端中输入 vim ~/.vimrc ,然后写入:
# 设置tab键等于4个空格,并使vim显示行号。
set ts = 4
set nu
视频中使用了 cd ~ ,作用是回到当前用户家目录
具体可以参考(https://blog.csdn.net/qq_31279347/article/details/82947545)
计算图(Graph):搭建神经网络的计算过程,只搭建,不运算。运算要在会话(Session)中进行
会话(Session): 执行计算图中的节点运算。
上图即为一个简单的神经元,下面使用代码进行神经元计算。
# 上图可以用公式 y = x * w
# 等价于 y= x1 * w1 + x2 * w2
# 表示,其中x, w为向量
# 下面将假设x, w的值和结构,并求y
import tensorflow as tf
# 搭建图
x = tf.constant([[1.0, 2.0]])
w = tf.constant([[3.0], [4.0]])
y= tf.matmul(x, y)
print y
# 使用Session()计算图
# with 语句后面需要 : 总是忘记
with tf.Session() as sess:
print sess.run(y)
#输出为
Tensor("matmul:0", shape(1,1), dtype float32)
[[11.]]
视频中提到更改bashrc文件,更新警告设置。bashrc相关内容,可以参考(https://www.cnblogs.com/midworld/p/11006967.html)
参数:即上图中的权重w ,用变量表示,随机给初值。
w= tf.Variable(tf.random_normal([2, 3], stddev=2, mean=0, seed=1))
其中 [2,3] 表示变量的形状(shape)是[2, 3], stddev表示标准差,mean表示均值,seed 表示随机种子,为1表示,每次生成的结果一致。
tf.random_normal() | 正态分布 |
tf.truncated_normal() | 去掉过大偏离点的正态分布(偏离两个标准差将重新生成) |
tf.random_uniform() | 平均分布 |
tf.zero | 全零数组 | tf.zeros([3,2],int32)生成[[0,0],[0,0],[0,0]] |
tf.ones | 全一数组 | tf.ones([3,2],int32)生成[[1,1],[1,1],[1,]] |
tf.fill | 全定值数组 | tf.fill([3, 2],6)生成[[6,6],[6,6],[6,6]] |
tf.constant | 直接给值 | tf.constant([3,2,1])生成[3,2,1] |
神经网络实现过程:
1.准备数据集,提取特征,作为输入喂给神经网络(Netural Network: NN)
2.搭建NN结构,输入到输出(先搭建计算图,再用会话执行)
(NN前向传播算法,计算输出)
3.大量特征数据喂给NN,迭代优化NN参数
(NN反向传播算法,优化参数训练模型)
4.使用训练好多模型预测和分类。
前向传播:搭建模型,实现推理(以全连接网络为例)
eg.生产一批零件将体积x1和重量x2作为特征输入NN,通过NN后输出一个数值。
变量初始化、计算图节点运算都要用到(with)结构实现
with tf.Session() as sess:
sess.run()
变量初始化:在sess.run()函数中用tf.global_variables_inittializer() 主要针对的应该是tf.Variable()生成变量的初始化,
init_op = tf.global_variabales_initializer()
sess.run(init_op)
计算图节点运算:在在sess.run()函数中写入带运算的节点
# 前面3.1节用到的
sess.run(y)
用tf.placeholder占位,在sess.run函数中用feed_dict 喂数据
#喂一组数据
x = tf.placeholder(tf.float32,shape(1,2))
sess.run(y, feed_dict{x:[[0.1,0.2]]})
#喂多组数据
x = tf.placeholder(tf.float32,shape(None,2))
sess.run(y, feed_dict{x:[[0.1,0.2],[0.4,0.6],[0.5,0.2]]})
tf.3_3.py 、 tf3_4.py 和tf3_5.py 代码如下
#tf3_3.py
#coding:utf-8
#两层简神经元网络(全连接)
import tensorflow as tf
#定义输入和参数
x = tf.constant([[0.5, 0.7]])
w1 = tf.Variable(tf.random_normal([2,3], stddev=2, seed=1))
w2 = tf.Variable(tf.random_normal([3,1], stddev=2, seed=1))
#定义前项传播过程
a = tf.matmul(x, w1)
y = tf.matmul(a, w2)
#用会话计算结果
with tf.Session() as sess:
init_op = tf.global_variables_initializer()
sess.run(init_op)
print "y in tf3_3.py is:\n",sess.run(y,)
#tf3_4.py
#coding:utf-8
#两层简神经元网络(全连接)
import tensorflow as tf
#定义输入和参数
#使用placeholder实现输入定义(sess.run中喂一组数据)
x = tf.placeholder(tf.float32, [1,2])
w1 = tf.Variable(tf.random_normal([2,3], stddev=2, seed=1))
w2 = tf.Variable(tf.random_normal([3,1], stddev=2, seed=1))
#定义前项传播过程
a = tf.matmul(x, w1)
y = tf.matmul(a, w2)
#用会话计算结果
with tf.Session() as sess:
init_op = tf.global_variables_initializer()
sess.run(init_op)
print "y in tf3_4.py is:\n",sess.run(y, feed_dict={x:[[0.5, 0.7]]})
#tf3_5.py
#coding:utf-8
#两层简神经元网络(全连接)
import tensorflow as tf
#定义输入和参数
x = tf.placeholder(tf.float32, [None,2])
w1 = tf.Variable(tf.random_normal([2,3], stddev=2, seed=1))
w2 = tf.Variable(tf.random_normal([3,1], stddev=2, seed=1))
#定义前项传播过程
a = tf.matmul(x, w1)
y = tf.matmul(a, w2)
#用会话计算结果
with tf.Session() as sess:
init_op = tf.global_variables_initializer()
sess.run(init_op)
print "y in tf3_5.py is:\n",sess.run(y, feed_dict={x:[[0.5, 0.7],[0.3,0.5],[0.4,0.2],[0.1,0.3]]})
print "w1:\n",sess.run(w1)
print "w2:\n",sess.run(w2)
反向传播:训练模型参数,在所有参数上用梯度下降,使NN模型在训练数据上的损失函数最小。
损失函数(loss):预测值(y)与已知答案(y_)的差距
求损失函数的常用方法MSE:
式中yt为已知答案
在tf 中可以使用 求损失函数
loss = tf.reduce_mean(tf.square(y_-y))
反向传播训练方法:以减小loss 值为优化目标
# tf中常用的反向传播训练方法
# loss 为损失函数
train = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss)
train = tf.train.MomentumOptimizer(learning_rate,loss).minimize(loss)
train = tf.train.AdamOptimizer(learning_rate).minimize(loss)
学习率 :决定参数每次更新的幅度,使用时可以先填一个比较小的值,比如0.001.但是如果过小,收敛会比较慢。
优化器部分可以参考大佬的文章https://blog.csdn.net/weixin_40170902/article/details/80092628/
下面附上tf3_6.py的代码
#coding:utf-8
import tensorflow as tf
import numpy as np
BATCH_SIZE = 8
seed =23455
# 基于seed产生随机数
# random.RandomState()和 rand()都来自numpy库
rng = np.random.RandomState(seed)
# 随机数返回32行2列的矩阵 表示32组 体积和重量 作为输入数据集
X = rng.rand(32,2)
# 将Y作为数据集的标签(正确答案),注意 Y 应是一个32行一列的矩阵,
# 所以 Y 有两个 [[]]
Y = [[int(a+b<1)] for a,b in X]
print "X:\n",X
print "Y:\n",Y
# 1定义神经网络的输入,参数和输出,定义前向传播过程。
x = tf.placeholder(tf.float32, (None, 2))
y_= tf.placeholder(tf.float32, (None, 1))
w1 = tf.Variable(tf.random_normal([2,3], stddev=2, seed=1))
w2 = tf.Variable(tf.random_normal([3,1], stddev=2, seed=1))
a = tf.matmul(x, w1)
y = tf.matmul(a, w2)
# 2定义损失函数及反向传播算法
loss = tf.reduce_mean(tf.square(y-y_))
train_step = tf.train.GradientDescentOptimizer(0.001).minimize(loss)
#train_step = tf.train.MomentumOptimizer(0.001,0.9).minimize(loss)
#train_step = tf.train.AdamOptimizer(0.001).minimize(loss)
# 3生成会话,训练STEPS轮
with tf.Session() as sess:
init_op = tf.global_variables_initializer()
sess.run(init_op)
# print "y in tf3_3.py is:\n",sess.run(y, feed_dict={x:[[0.5, 0.7]]})
# 未经训练时的参数取值。
print "w1:\n", sess.run(w1)
print "w2:\n", sess.run(w2)
print "\n"
# 训练模型
STEPS = 3000
for i in range(STEPS):
start = (i*BATCH_SIZE) % 32
end = start + BATCH_SIZE
sess.run(train_step, feed_dict={x: X[start:end], y_: Y[start:end]})
if (i % 500) == 0 :
total_loss = sess.run(loss,feed_dict={x: X,y_: Y})
print ("After %d step(s),loss on all data is %g" %(i,total_loss))
# 输出训练后的参数
print "\n"
print "w1\n", sess.run(w1)
print "w2\n", sess.run(w2)
另外,Linux下vim编辑器不能同时使用 tab键 和 空格键 使python程序结构对齐,否则会出现报错
文章浏览阅读1k次。1、HTML5 Web SQL 数据库 Web SQL 数据库 API 并不是 HTML5 规范的一部分,但是它是一个独立的规范,引入了一组使用 SQL 操作客户端数据库的 APIs。如果你是一个 Web 后端程序员,应该很容易理解 SQL 的操作。Web SQL 数据库可以在最新版的 Safari, Chrome 和 Opera 浏览器中工作。2、核心方法 以下是规范中定义的三个_方式准则的定义
文章浏览阅读4.1k次,点赞2次,收藏6次。spring Boot 中使用线程池异步执行多个定时任务在启动类中添加注解@EnableScheduling配置自定义线程池在启动类中添加注解@EnableScheduling第一步添加注解,这样才会使定时任务启动配置自定义线程池@Configurationpublic class ScheduleConfiguration implements SchedulingConfigurer..._springboot启动后自动开启多个线程程序
文章浏览阅读1.1k次。在项目的target文件夹下把之前"mvn clean package"生成的压缩包(我的是jar包)删掉重新执行"mvn clean package"再执行"mvn clean install"即可_mvn clean install有errors
文章浏览阅读974次。Navicat连接mysql数据库时,不断报1405错误,下面是针对这个的解决办法:MySQL服务器正在运行,停止它。如果是作为Windows服务运行的服务器,进入计算机管理--->服务和应用程序------>服务。如果服务器不是作为服务而运行的,可能需要使用任务管理器来强制停止它。创建1个文本文件(此处命名为mysql-init.txt),并将下述命令置于单一行中:SET PASSW..._nvarchar链接不上数据库
文章浏览阅读2.2k次。Python的requests模块是一个常用的HTTP库,用于发送HTTP请求和处理响应。_python requests 参数
文章浏览阅读2.7w次,点赞7次,收藏50次。APT攻击APT攻击是近几年来出现的一种高级攻击,具有难检测、持续时间长和攻击目标明确等特征。本文中,整理了近年来比较典型的几个APT攻击,并其攻击过程做了分析(为了加深自己对APT攻击的理解和学习)Google极光攻击2010年的Google Aurora(极光)攻击是一个十分著名的APT攻击。Google的一名雇员点击即时消息中的一条恶意链接,引发了一系列事件导致这个搜_2010谷歌网络被极光黑客攻击
文章浏览阅读1.1k次。JS代码 /** * 生命周期函数--监听页面加载 */ onLoad: function (options) { setTimeout( function(){ wx.showToast({ title: '黄菊华老师', }) },2000 ) },说明该代码只执行一次..._微信小程序 settimeout 向上层传值
文章浏览阅读48次。uploadify2.1.4如何能使按钮显示中文博客分类:uploadify网上关于这段话的搜索恐怕是太多了。方法多也试过了不知怎么,反正不行。最终自己想办法给解决了。当然首先还是要有fla源码。直接去管网就可以下载。[url]http://www.uploadify.com/wp-content/uploads/uploadify-v2.1.4...
文章浏览阅读9.6k次,点赞5次,收藏36次。戴尔服务器安装VMware ESXI6.7.0教程(U盘安装)一、前期准备1、下载镜像下载esxi6.7镜像:VMware-VMvisor-Installer-6.7.0-8169922.x86_64.iso这里推荐到戴尔官网下载,Baidu搜索“戴尔驱动下载”,选择进入官网,根据提示输入服务器型号搜索适用于该型号服务器的所有驱动下一步选择具体类型的驱动选择一项下载即可待下载完成后打开软碟通(UItraISO),在“文件”选项中打开刚才下载好的镜像文件然后选择启动_vmware-vcsa-all-6.7.0-8169922.iso
文章浏览阅读2k次。百度语音技术永久免费的语音自动转字幕介绍基于百度语音技术,识别率97%无时长限制,无文件大小限制永久免费,简单,易用,速度快支持中文,英文,粤语永久免费的语音转字幕网站: http://thinktothings.com视频介绍 https://www.bilibili.com/video/av42750807 ...
文章浏览阅读7.6k次,点赞2次,收藏9次。Instrumentation是一种直接修改程序二进制文件的方法。其可以用于程序的调试,优化,安全等等。对这个词一般的翻译是“插桩”,但这更多使用于软件测试领域。【找一些相关的例子】Dyninst可以动态或静态的修改程序的二进制代码。动态修改是在目标进程运行时插入代码(dynamic binary instrumentation)。静态修改则是直接向二进制文件插入代码(static b_dyninst
文章浏览阅读2.9k次。部署asp网站到云服务器 内容精选换一换通常情况下,需要结合客户的实际业务环境和具体需求进行业务改造评估,建议您进行服务咨询。这里仅描述一些通用的策略供您参考,主要分如下几方面进行考虑:业务迁移不管您的业务是否已经上线华为云,业务迁移的策略是一致的。建议您将时延敏感型,有快速批量就近部署需求的业务迁移至IEC;保留数据量大,且需要长期稳定运行的业务在中心云上。迁移方法请参见如何计算隔离独享计算资源..._nas asp网站