Ref :
http://darren1231.pixnet.net/blog/post/332022975-tensorflow%E6%95%99%E5%AD%B8----%E5%BB%BA%E7%BD%AE%E4%B8%80%E5%80%8B%E5%9F%BA%E7%A4%8E%E7%A5%9E%E7%B6%93%E7%B6%B2%E8%B7%AF
python 語法
程式碼:
引用必要函數
import tensorflow as tf
import numpy as np
# creat data
創造 亂數100個亂數 值介於0~1之間
x_data = np.random.rand(100).astype(np.float32)
訂出要學習的函數 這裡要學的是 weight:0.3 biases:0.3
y_data = x_data*0.1+0.3
###creat tensorflow structure start###
定立weights 的 範圍 和初始化
Weights = tf.Variable(tf.random_uniform([1],-1.0,1.0))
biases = tf.Variable(tf.zeros([1]))
定立 給 tensorflow 學習的函數
y = Weights*x_data + biases
建立 loss 規則
loss = tf.reduce_mean(tf.square(y-y_data))
reduce_mean 用法：
選擇學習機制
optimizer = tf.train.GradientDescentOptimizer(0.5) #learning rate
向tensorflow 說 訓練規則就是把 loss 減到最小 最好是0
train = optimizer.minimize(loss)
初始化所有變數
init = tf.initialize_all_variables()
###creat tensorflow structure end###
上面都是建立規則
*****************************************************開始訓練
建立sess
sess = tf.Session()
記得初始化
sess.run(init) #Very important
跑 for 迴圈 更新wight201次
然後每訓練20次 印出一次weight
for step in range(201):
sess.run(train)
if step % 20 ==0:
print(step,sess.run(Weights),sess.run(biases))
程式輸出：
(0, array([ 0.30737674], dtype=float32), array([ 0.25841016], dtype=float32))
(20, array([ 0.13939281], dtype=float32), array([ 0.27776307], dtype=float32))
(40, array([ 0.10886393], dtype=float32), array([ 0.29499638], dtype=float32))
(60, array([ 0.10199451], dtype=float32), array([ 0.29887414], dtype=float32))
(80, array([ 0.10044879], dtype=float32), array([ 0.29974666], dtype=float32))
(100, array([ 0.10010101], dtype=float32), array([ 0.299943], dtype=float32))
(120, array([ 0.10002275], dtype=float32), array([ 0.29998717], dtype=float32))
(140, array([ 0.10000515], dtype=float32), array([ 0.29999712], dtype=float32))
(160, array([ 0.10000117], dtype=float32), array([ 0.29999936], dtype=float32))
(180, array([ 0.10000026], dtype=float32), array([ 0.29999986], dtype=float32))
(200, array([ 0.10000011], dtype=float32), array([ 0.29999995], dtype=float32))
==================================================================
一些tensor flow 常用的function
Tensorflow 常用函數解說
tf.split(split_dim, num_split, value, name='split')
函數解說：將大的tensor分割成更小的tensor，第一個參數代表沿著那一維開始分割，第二個參數代表切成幾段，如下面例子，「5，30」沿著第一維也就是column開始切割，切成三段，因此就有3個「5，10」的tensor被分割出來
函數範例：
tf.reduce_mean(input_tensor,reduction_indices=None,keep_dims=False, name=None)
函數解說：將tensor取平均，第二個參數代表沿著那一維取平均，例如範例第二個，沿著第0維也就是row取平均得到「1.5，1.5」，手指沿著row的方向掃過，再如第3個範例，沿著第1維也就是column取平均得到[1,2]，手指沿著column方向掃過
函數範例：
tf.reduce_mean(x) -> (1 + 1 + 2 + 2) / 4 = 1.5
tf.reduce_mean(x,0) -> (1 + 2) / 2 = 1.5
(1 + 2) / 2 = 1.5
tf.reduce_mean(x,1) -> (1 + 1) / 2 = 1
(2 + 2) / 2 = 2
tf.reduce_sum(input_tensor,reduction_indices=None, keep_dims=False, name=None)
函數解說：將tensor加總起來，第二個參數代表沿著那一維加總，例如範例第二個，沿著第0維也就是row加總得到[2,2,2]，手指沿著row的方向掃過，再如第3個範例，沿著第1維也就是column加總得到[3,3]，手指沿著column方向掃過，第3個參數如果為True的話，那麼所切出來的長度會回復到1，如同第四個例子一樣，第五個例子表示可以不只沿著其中一個維度加總。
函數範例：
f.reshape(tensor, shape, name=None)
函數解說：將tensor的維度重新改寫，-1代表自動計算該維度的數量
函數範例：
tf.matmul(a,b,ranspose_a=False,transpose_b=False,_is_sparse=False,_is_sparse=False,ame=None)
函數解說：將a,b兩個矩陣相乘，如果需要事先轉置的話，可以把個別的選項調成True，如果矩陣裏面包括很多0的話，可以調用spare=True轉為更有效率的演算法
函數範例：
tf.argmin(input, dimension, name=None)
函數解說：沿著需要的維度找尋最小值的索引值，最小由0開始
