怎样定义TensorFlow输入节点-创新互联
这篇文章主要介绍了怎样定义TensorFlow输入节点,具有一定借鉴价值,感兴趣的朋友可以参考下,希望大家阅读完这篇文章之后大有收获,下面让小编带着大家一起了解一下。
创新互联长期为上1000+客户提供的网站建设服务,团队从业经验10年,关注不同地域、不同群体,并针对不同对象提供差异化的产品和服务;打造开放共赢平台,与合作伙伴共同营造健康的互联网生态环境。为贾汪企业提供专业的成都网站制作、成都做网站,贾汪网站改版等技术服务。拥有十多年丰富建站经验和众多成功案例,为您定制开发。TensorFlow中有如下几种定义输入节点的方法。
通过占位符定义:一般使用这种方式。
通过字典类型定义:一般用于输入比较多的情况。
直接定义:一般很少使用。
一 占位符定义
示例:
具体使用tf.placeholder函数,代码如下:
X = tf.placeholder("float") Y = tf.placeholder("float")
二 字典类型定义
1 实例
通过字典类型定义输入节点
2 关键代码
# 创建模型 # 占位符 inputdict = { 'x': tf.placeholder("float"), 'y': tf.placeholder("float") }
3 解释
通过字典定义的方式和第一种比较像,只不过是堆叠到一起。
4 全部代码
import tensorflow as tf import numpy as np import matplotlib.pyplot as plt plotdata = { "batchsize":[], "loss":[] } def moving_average(a, w=10): if len(a) < w: return a[:] return [val if idx < w else sum(a[(idx-w):idx])/w for idx, val in enumerate(a)] #生成模拟数据 train_X = np.linspace(-1, 1, 100) train_Y = 2 * train_X + np.random.randn(*train_X.shape) * 0.3 # y=2x,但是加入了噪声 #图形显示 plt.plot(train_X, train_Y, 'ro', label='Original data') plt.legend() plt.show() # 创建模型 # 占位符 inputdict = { 'x': tf.placeholder("float"), 'y': tf.placeholder("float") } # 模型参数 W = tf.Variable(tf.random_normal([1]), name="weight") b = tf.Variable(tf.zeros([1]), name="bias") # 前向结构 z = tf.multiply(inputdict['x'], W)+ b #反向优化 cost =tf.reduce_mean( tf.square(inputdict['y'] - z)) learning_rate = 0.01 optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost) #Gradient descent # 初始化变量 init = tf.global_variables_initializer() #参数设置 training_epochs = 20 display_step = 2 # 启动session with tf.Session() as sess: sess.run(init) # Fit all training data for epoch in range(training_epochs): for (x, y) in zip(train_X, train_Y): sess.run(optimizer, feed_dict={inputdict['x']: x, inputdict['y']: y}) #显示训练中的详细信息 if epoch % display_step == 0: loss = sess.run(cost, feed_dict={inputdict['x']: train_X, inputdict['y']:train_Y}) print ("Epoch:", epoch+1, "cost=", loss,"W=", sess.run(W), "b=", sess.run(b)) if not (loss == "NA" ): plotdata["batchsize"].append(epoch) plotdata["loss"].append(loss) print (" Finished!") print ("cost=", sess.run(cost, feed_dict={inputdict['x']: train_X, inputdict['y']: train_Y}), "W=", sess.run(W), "b=", sess.run(b)) #图形显示 plt.plot(train_X, train_Y, 'ro', label='Original data') plt.plot(train_X, sess.run(W) * train_X + sess.run(b), label='Fitted line') plt.legend() plt.show() plotdata["avgloss"] = moving_average(plotdata["loss"]) plt.figure(1) plt.subplot(211) plt.plot(plotdata["batchsize"], plotdata["avgloss"], 'b--') plt.xlabel('Minibatch number') plt.ylabel('Loss') plt.title('Minibatch run vs. Training loss') plt.show() print ("x=0.2,z=", sess.run(z, feed_dict={inputdict['x']: 0.2}))
5 运行结果
三 直接定义
1 实例
直接定义输入结果
2 解释
直接定义:将定义好的Python变量直接放到OP节点中参与输入的运算,将模拟数据的变量直接放到模型中训练。
3 代码
import tensorflow as tf import numpy as np import matplotlib.pyplot as plt #生成模拟数据 train_X =np.float32( np.linspace(-1, 1, 100)) train_Y = 2 * train_X + np.random.randn(*train_X.shape) * 0.3 # y=2x,但是加入了噪声 #图形显示 plt.plot(train_X, train_Y, 'ro', label='Original data') plt.legend() plt.show() # 创建模型 # 模型参数 W = tf.Variable(tf.random_normal([1]), name="weight") b = tf.Variable(tf.zeros([1]), name="bias") # 前向结构 z = tf.multiply(W, train_X)+ b #反向优化 cost =tf.reduce_mean( tf.square(train_Y - z)) learning_rate = 0.01 optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost) #Gradient descent # 初始化变量 init = tf.global_variables_initializer() #参数设置 training_epochs = 20 display_step = 2 # 启动session with tf.Session() as sess: sess.run(init) # Fit all training data for epoch in range(training_epochs): for (x, y) in zip(train_X, train_Y): sess.run(optimizer) #显示训练中的详细信息 if epoch % display_step == 0: loss = sess.run(cost) print ("Epoch:", epoch+1, "cost=", loss,"W=", sess.run(W), "b=", sess.run(b)) print (" Finished!") print ("cost=", sess.run(cost), "W=", sess.run(W), "b=", sess.run(b))
4 运行结果
感谢你能够认真阅读完这篇文章,希望小编分享的“怎样定义TensorFlow输入节点”这篇文章对大家有帮助,同时也希望大家多多支持创新互联,关注创新互联行业资讯频道,更多相关知识等着你来学习!
文章名称:怎样定义TensorFlow输入节点-创新互联
网站网址:http://myzitong.com/article/cedjco.html