专业的网站服务公司,wordpress文章自动排版,免费会员管理软件,淘宝网站链接怎么做要tensorflow基础入门 思考一个问题: 如何刚好学习TensorFlow 类比为一门开发语言#xff0c;学会语法#xff0c;api的调用#xff0c; 原理性掌握。语言的要素: 基础数据类型 运算符 流程 字典 数组 import tensorflow as tf# 常量#xff0c;指定数据类型
data1 tf.const… tensorflow基础入门 思考一个问题: 如何刚好学习TensorFlow 类比为一门开发语言学会语法api的调用 原理性掌握。语言的要素: 基础数据类型 运算符 流程 字典 数组 import tensorflow as tf# 常量指定数据类型
data1 tf.constant(2,dtypetf.int32)# 变量指定变量名
data2 tf.Variable(10,namevar)print(data1)
print(data2)mark 并没有打印出数值而是描述信息。 TensorFlow中所有的操作都得在会话中被执行。 import tensorflow as tf# 常量指定数据类型
data1 tf.constant(2,dtypetf.int32)# 变量指定变量名
data2 tf.Variable(10,namevar)print(data1)
print(data2)
sess tf.Session()
print(sess.run(data1))# 这里可以正确打印出data1init tf.global_variables_initializer()
sess.run(init)# 但是当我们仍要用这个sess打印data2时会报错
# 对于变量数值我们要进行初始化。
print(sess.run(data2))
sess.close()
# 本质 tf tensor 计算图
# tensor 数据
# op
# graphs 数据操作
# sessioninit tf.global_variables_initializer()
sess tf.Session()
with sess:sess.run(init)print(sess.run(data1))print(sess.run(data2))mark TensorFlow运算实质 mark tensorflow 由张量和计算图两部分构成。 常量变量都是张量。张量表示的就是数据。 op是operation。 常见的四则运算。赋值两个tensor之间的加法。 op tensor 构成了 graphs # 本质 tf tensor 计算图
# tensor 数据
# op
# graphs 数据操作
# session所有的操作都要在session中被run 分析tf代码: 先分析tensor张量有哪些。再分析session中的计算图有哪些这两个方面掌握清楚就好理解代码了本质是数据 计算图 TensorFlow中所有的变量都必须1初始化之后才能进行。init操作实质仍然是一个计算图 要使用session.tun(init) 直接使用完session 我们还需要close掉 或者使用with进行关闭view linenumber 看到行号 常量与变量的四则运算 import tensorflow as tf# 两个常量
data1 tf.constant(6)
data2 tf.constant(2)# 定义一个加法操作
dataAdd tf.add(data1,data2)
# 定义一个乘法操作
dataMul tf.multiply(data1,data2)
# 定义一个减法操作
dataSub tf.subtract(data1,data2)
# 定义一个除法操作
dataDiv tf.divide(data1,data2)# 使用sess创建。with不需要close
with tf.Session() as sess:print(sess.run(dataAdd))print(sess.run(dataMul))print(sess.run(dataSub))print(sess.run(dataDiv))
print(end!)mark import tensorflow as tf
data1 tf.constant(6)
# data2变量
data2 tf.Variable(2)
dataAdd tf.add(data1,data2)# 完成当前的数据拷贝: 把当前dataAdd的结果追加到data2中
dataCopy tf.assign(data2,dataAdd)# dataAdd -data2dataMul tf.multiply(data1,data2)
dataSub tf.subtract(data1,data2)
dataDiv tf.divide(data1,data2)
init tf.global_variables_initializer()
with tf.Session() as sess:sess.run(init)print(sess.run(dataAdd))print(sess.run(dataMul))print(sess.run(dataSub))print(sess.run(dataDiv))# 将6和2相加的结果放到data2中print(sess.run(dataCopy),sess.run(dataCopy))#8-data2# 除过run方法还可以使用.eval()直接输出。eval方法相当于下面这句话print(dataCopy.eval(),dataCopy.eval())#86-14-data2 14# 获取默认的session执行run操作print(tf.get_default_session(),tf.get_default_session().run(dataCopy))
print(end!)运行dataCopy.eval()时其中的data2已经是8了然后加上常量6.输出14 而再次运行时data2已经变成了14. 计算图运行的两种方法: sess.runop.eval()矩阵基础 前面的数据我们都是初始化的时候就定义好了然而有时我们用到的数据是 需要在运算时实时插入的。 placeholder import tensorflow as tf
data1 tf.placeholder(tf.float32)
data2 tf.placeholder(tf.float32)
dataAdd tf.add(data1,data2)
with tf.Session() as sess:# 使用feed_dict为placeholder回填数据print(sess.run(dataAdd,feed_dict{data1:6,data2:2}))# 1op dataAdd 2 data (feed_dict {参数1:6,参数2:2})
print(end!)矩阵运算 类比 数组 M行N列(二维数组)外层[] 内层嵌套[]每个内层中括号表示:[里面 列数据]每个内层[]整体作为一行 行数# [[6,6]] 一行两列的矩阵
import tensorflow as tf
# 一行两列矩阵
data1 tf.constant([[6,6]])
# 两行一列矩阵
data2 tf.constant([[2],[2]])
# 一行两列
data3 tf.constant([[3,3]])
# 三行两列
data4 tf.constant([[1,2],[3,4],[5,6]])print(data4.shape)# 打印矩阵的维度with tf.Session() as sess:print(sess.run(data4)) # 打印整体print(sess.run(data4[0]))# 打印某一行print(sess.run(data4[:,0]))# M*N的矩阵第一位是行第二位是列。# 打印某一列使用:表示所有行print(sess.run(data4[0,1]))# 1 1 下标从0开始算。但是shape是从1开始算的矩阵运算2 一种矩阵加法和两种矩阵乘法 矩阵在进行加法的时候必须要保证两个矩阵的行列相等。 我们两个(2,3)的矩阵相加相加之后仍然是一个(2,3)的矩阵 mark mark 两个(2,2)的矩阵相加可以得到新矩阵 mark AE 是由第一个矩阵中第一行第一列的值加上第二个矩阵中第一行第一列的值。 以此类推对应元素的加法 矩阵的乘法 mark 第一个矩阵的列数必须等于第二个矩阵的行数矩阵才可以进行相乘。 (m,k) 与 (k,n) 相乘可以乘出一个(m,n)的 左侧矩阵的第一行的对应元素乘以右侧矩阵的第一列的对应元素构成新矩阵中(1,1)位置的元素。 这里我们就可以看出为啥要左边的列等于右边的行了不然左边这第一行的元素个数(列数) 去右侧的矩阵中找不到对应的元素 代码实现 import tensorflow as tf
data1 tf.constant([[6,6]])
data2 tf.constant([[2],[2]])
data3 tf.constant([[3,3]])
data4 tf.constant([[1,2],[3,4],[5,6]])# 矩阵相乘
matMul tf.matmul(data1,data2)# 直接使用简单乘法对应元素相乘
matMul2 tf.multiply(data1,data2)# 矩阵相加
matAdd tf.add(data1,data3)with tf.Session() as sess:print(sess.run(matMul))# data1 (1,2) 乘以 data2(2,1) 得到结果(1,1)print(sess.run(matAdd))# 1行2列 加 1行2列 还是一行两列print(sess.run(matMul2))# 1x2 2x1 2x2 这里涉及到python的广播机制# [6,6] 和 [[2].[2]] 都会被补全成一个2x2的矩阵。然后对应元素相乘# 使用print一次打印多个内容print(sess.run([matMul,matAdd]))特殊矩阵初始化 import tensorflow as tf# 两行三列零矩阵
mat0 tf.constant([[0,0,0],[0,0,0]])# 两行三列零矩阵
mat1 tf.zeros([2,3])# 三行两列一矩阵
mat2 tf.ones([3,2])# 两行三列填充矩阵(15)
mat3 tf.fill([2,3],15)
with tf.Session() as sess:print(sess.run(mat0))print(************)print(sess.run(mat1))print(************)print(sess.run(mat2))print(************)print(sess.run(mat3))mark 一些更为特殊的矩阵 import tensorflow as tf
# 三行一列的矩阵
mat1 tf.constant([[2],[3],[4]])
# 与mat1具有相同的维度但mat2内容为0
mat2 tf.zeros_like(mat1)# 将0-2之间数据分成相等的10份中间有10个数据要填11
mat3 tf.linspace(0.0,2.0,11)# 随机数矩阵2行三列数字为-1到2之间的随机数
mat4 tf.random_uniform([2,3],-1,2)with tf.Session() as sess:print(sess.run(mat2))print(************)print(sess.run(mat3))print(************)print(sess.run(mat4))mark tf中numpy创建矩阵 类比数据库的学习CURD增删改查 # CURD
import numpy as np# 一维数组
data1 np.array([1,2,3,4,5])
print(data1)
print(***************)# 两行两列数组
data2 np.array([[1,2],[3,4]])
print(data2)
print(***************)# 矩阵的维度
print(data1.shape,data2.shape)
print(***************)# 初始化特殊矩阵 zeros ones
print(np.zeros([2,3]),np.ones([2,2]))
print(***************)# 改查: 修改第二行第一列数据
data2[1,0] 5
print(data2)
# 查询第二行第二列数据
print(data2[1,1])
print(***************)# 基本运算:加减乘除# 两行三列的全一矩阵
data3 np.ones([2,3])# 简单乘除加法
print(data3*2) # 对应每个元素乘2
print(data3/3) # 对应元素除以3
print(data32) # 所有元素加2
print(***************)# 矩阵 *# 两行三列矩阵
data4 np.array([[1,2,3],[4,5,6]])# 矩阵对应位置元素相加
print(data3data4)# 矩阵对应位置元素相乘
print(data3*data4)mark Matplotlib绘图模块 使用numpy准备数据Matplotlib进行可视化绘图 import numpy as np
import matplotlib.pyplot as plt
# 设置在浏览器内显示
%matplotlib inline
# x轴坐标
x np.array([1,2,3,4,5,6,7,8])
# y轴坐标
y np.array([3,5,7,6,2,6,10,15])# 绘制折线图第一个参数x轴坐标第二个参数y轴坐标。第三个参数颜色
plt.plot(x,y,r)# 折线 1 x 2 y 3 color
plt.show()
# 第四个参数: 线条宽度
plt.plot(x,y,g,lw10)# 4 line w
# 折线 饼状 柱状x np.array([1,2,3,4,5,6,7,8])
y np.array([13,25,17,36,21,16,10,15])# 柱状图: color 是颜色 alpha 透明度
# 每个柱状图的占用比例
plt.bar(x,y,0.2,alpha1,colorb)# 5 color 4 透明度 3 0.9
plt.show()mark 综合性demo 神经网络逼近股票收盘价格 结合TensorFlow实现一个综合性的例子 实现股票数据日线的绘制并且用人工神经网络实现股票收盘价格的拟合 mark 其中红色表示当天的股票是上涨的 蓝色表示股票是下降的。9点半开盘下午三点收盘。 上涨代表: 收盘大于开盘价格。下跌相反 最低价会低于收盘价或开盘价。 数据加载和图表的绘制 import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline# 准备数据15组数据。(15天)
date np.linspace(1,15,15)# 每天的收盘价格
endPrice np.array([2511.90,2538.26,2510.68,2591.66,2732.98,2701.69,2701.29,2678.67,2726.50,2681.50,2739.17,2715.07,2823.58,2864.90,2919.08]
)# 每天的开盘价格
beginPrice np.array([2438.71,2500.88,2534.95,2512.52,2594.04,2743.26,2697.47,2695.24,2678.23,2722.13,2674.93,2744.13,2717.46,2832.73,2877.40])# 验证日期
print(date)plt.figure()for i in range(0,15):# 绘制 一个柱状图# x是一个一维数组两个值对应两个y收盘开盘。dateOne np.zeros([2])dateOne[0] i;dateOne[1] i;# 开盘价格和收盘价格priceOne np.zeros([2])priceOne[0] beginPrice[i]priceOne[1] endPrice[i]# 绘制每一根柱状图上涨红色下降绿色if endPrice[i]beginPrice[i]:# 日期和开收盘价格plt.plot(dateOne,priceOne,r,lw8)else:plt.plot(dateOne,priceOne,g,lw8)plt.show()mark 实现最简单的人工神经网络 mark 输入: 15行一列的矩阵。 隐藏层矩阵 1行10列 输出层矩阵 15行一列 mark 输入: 天数 输出: 每天股价 mark 输入层与隐藏层进行连接 mark 输入矩阵A 乘以权重矩阵w1 偏置矩阵 构成了B 构成了我们的中间层矩阵。 矩阵B与第三层如何连接 B*w2 b2 Cc就是我们的输出矩阵。 维度的变化 mark mark w1维度: 一行十列 b1维度: 一行十列 w2维度: 十行一列 b2维度: 十五行一列 mark mark 加上b1, 会进行广播机制。1*10的b1会被扩展成15行10列。也就是每一行一样。 然后矩阵对应每个元素相加。 mark 神经网络内部如何进行计算和工作 mark 给参数一些简单的初始值 计算出一个C值。而我们的真实股价2400 2511 第二次循环梯度下降法 目的减少111给出一个新的参数组合。 for循环的终止条件: 训练多少次之后或者差异符合我们的要求 循环终止会输出最后的w1 w2 b1 b2 知道了 这些参数。我们就知道预测新的股价 代码实现 import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
date np.linspace(1,15,15)
endPrice np.array([2511.90,2538.26,2510.68,2591.66,2732.98,2701.69,2701.29,2678.67,2726.50,2681.50,2739.17,2715.07,2823.58,2864.90,2919.08]
)
beginPrice np.array([2438.71,2500.88,2534.95,2512.52,2594.04,2743.26,2697.47,2695.24,2678.23,2722.13,2674.93,2744.13,2717.46,2832.73,2877.40])
print(date)
plt.figure()
for i in range(0,15):# 1 柱状图dateOne np.zeros([2])dateOne[0] i;dateOne[1] i;priceOne np.zeros([2])priceOne[0] beginPrice[i]priceOne[1] endPrice[i]if endPrice[i]beginPrice[i]:plt.plot(dateOne,priceOne,r,lw8)else:plt.plot(dateOne,priceOne,g,lw8)
# 输入的日期
dateNormal np.zeros([15,1])
# 输出的价格
priceNormal np.zeros([15,1])# 进行归一化处理
for i in range(0,15):# 日期最大14dateNormal[i,0] i/14.0;# 价格不会超出3000priceNormal[i,0] endPrice[i]/3000.0;# 一个n行一列的占位符
x tf.placeholder(tf.float32,[None,1])
# 一个n行一列的占位符
y tf.placeholder(tf.float32,[None,1])# 隐藏层B
# w1是会被修改的。所以定义一个变量。
# 初值随机一行十列0到1之间
w1 tf.Variable(tf.random_uniform([1,10],0,1))# 偏置矩阵一行十列
b1 tf.Variable(tf.zeros([1,10]))# wb1也就是隐藏层的输出值是x乘以w1加上b1
wb1 tf.matmul(x,w1)b1
# 激励函数增加非线性元素。
layer1 tf.nn.relu(wb1) # 激励函数# 输出层
w2 tf.Variable(tf.random_uniform([10,1],0,1))
b2 tf.Variable(tf.zeros([15,1]))wb2 tf.matmul(layer1,w2)b2
layer2 tf.nn.relu(wb2) #完成简单映射# 损失函数(真实值-预测值)的平方。开放出来的结果再进行一个均值
loss tf.reduce_mean(tf.square(y-layer2))#y 真实 layer2 计算# 梯度下降法梯度下降法。参数为学习率目标是最小化loss
train_step tf.train.GradientDescentOptimizer(0.1).minimize(loss)with tf.Session() as sess:# 初始化所有的全局变量sess.run(tf.global_variables_initializer())# 程序终止: for循环次数for i in range(0,10000):# xy值填入归一化之后的xysess.run(train_step,feed_dict{x:dateNormal,y:priceNormal})# 进行预测验证# w1w2 b1b2 A wb --layer2 得到新的预测值pred sess.run(layer2,feed_dict{x:dateNormal})predPrice np.zeros([15,1])# 还原当前价格。反归一化for i in range(0,15):predPrice[i,0](pred*3000)[i,0]plt.plot(date,predPrice,b,lw1)
plt.show()mark
