TensorFlow 学习笔记
Table of Contents
1 Get Started
1.1 基础概念
- Tensor： 数据， 一个多维数组(n*1)
- Graph： 计算模型
- ops(operations): Graph中的节点，一个节点接受一个或多个Tensor
- Session: 执行Graph的上下文
- Varaible： 变量，可以用于维护状态或者数值等
- Feed/Fetch: 装载数据和获取数据
1.2 笔记
- 在一个Session中，TensorFlow可以决定哪些ops在哪些设备上运行，达到分布式的效果
- TensorFlow可以指定CPU/GPU运行
- 每个Tensor都具备: Type\Rank\Shape。 其中Type指元素的类型，float/int等。关于Tensor的Rank和Shape，例子如下：
Rank Math entity Python example
0 Scalar (magnitude only) s = 483
1 Vector (magnitude and direction) v = [1.1, 2.2, 3.3]
2 Matrix (table of numbers) m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
3 3-Tensor (cube of numbers) t = [[1, 2, 3], [4, 5,
6], [7, 8, 9]]
n n-Tensor (you get the idea) ….
Rank Shape Dimension number Example 0 [] 0-D A 0-D tensor. A scalar. 1 [D0] 1-D A 1-D tensor with shape 10. 2 [D0, D1] 2-D A 2-D tensor with shape [3, 4]. 3 [D0, D1, D2] 3-D A 3-D tensor with shape [1, 4, 3]. n [D0, D1, … Dn-1] n-D A tensor with shape [D0, D1, … Dn-1].
1.3 补充材料
1.3.1 矩阵的秩及其求法
参考： https://wenku.baidu.com/view/7936452ced630b1c59eeb5da.html 注： 矩阵的秩与Tensor的Rank似乎不同。 矩阵为2阶张量， 即Tensor rank=2。
2 Tutorials
3 实例
3.1 线性回归
# train: 训练数据集，数据类型为pd.DataFrame
# tests: 测试数据集，数据类型为pd.DataFrame
def build_lr(train, tests):
x = tf.placeholder(tf.float32, shape=[None, 960])
yr = tf.placeholder(tf.float32, shape=[None, 1])
xtrain = train.iloc[:, :-1].values.tolist()
ytrain = train.iloc[:, -1].values.reshape(-1, 1).tolist()
#print(xtrain)
# 构建简单的线性回归方程
W = tf.Variable(tf.zeros([960, 1]))
b = tf.Variable(tf.zeros([1]))
y = tf.matmul(x, W) + b
# 选择MSE作为loss function
loss = tf.reduce_mean(tf.square(y - yr))
optimizer = tf.train.AdamOptimizer(0.001)
ops = optimizer.minimize(loss)
init = tf.global_variables_initializer()
# 开始运行
with tf.Session() as sess:
# 训练模型
sess.run(init)
for step in range(200):
sess.run(ops, feed_dict={x: xtrain, yr: ytrain})
if step % 20 == 0:
print(step, sess.run(loss, feed_dict={x: xtrain, yr: ytrain}))
# 预测输出
final = sess.run(y, feed_dict={x: tests.iloc[:, :-1].values})
return final
3.2 Optimizer的选择11
4 API
4.1 tf.nn.conv2d
tf.nn.conv2d(input, filter, strides, padding, usecudnnongpu=None, dataformat=None, name=None) 作用：卷积计算
参数：
- input： 4阶张量，shape: [batch, height, weight, inchannels]
- filter: 4阶张量，shape: [height, weight, inchannels, outchannels]