TensorFlow学习笔记02

在TensorFlow中文社区文档中,有一个使用TensorFlow API进行拟合的事例。但代码注释比较简略,导致学习的时候有些不明白,这里给出详细的注释。

import tensorflow as tf
import numpy as np

# 使用 NumPy 生成假数据(phony data), 总共 100 个点.
# np.random.rand(x, y)生成1个含有x个长度为y的array的array
x_data = np.float32(np.random.rand(2, 100)) 
# np.dot(x, y)对矩阵x和y进行矩阵乘运算
y_data = np.dot([0.100, 0.200], x_data) + 0.300

# 构造一个线性模型
# tf.zeros(shape)生成尺寸为shape的张量,值为0的张量
b = tf.Variable(tf.zeros([1]))
# tf.random_uniform(shape, min, max)生成尺寸为shape,值为min~max之间随机数的张量
W = tf.Variable(tf.random_uniform([1, 2], -1.0, 1.0))
y = tf.matmul(W, x_data) + b

# 最小化方差
'''
A loss function measures how far apart the current model is from the provided data. We'll use a standard loss model for linear regression, which sums the squares of the deltas between the current model and the provided data. linear_model - y creates a vector where each element is the corresponding example's error delta. We call tf.square to square that error. Then, we sum all the squared errors to create a single scalar that abstracts the error of all examples using tf.reduce_sum
'''
loss = tf.reduce_mean(tf.square(y - y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)

# 初始化变量
# 新版本中已经更新为tf.global_variables_initializer()
init = tf.initialize_all_variables()

# 启动图 (graph)
sess = tf.Session()
sess.run(init)

# 拟合平面
# python3中为range(min, max)
for step in xrange(0, 201):
    sess.run(train)
    if step % 20 == 0:
        #python3中为print()
        print step, sess.run(W), sess.run(b)

# 得到最佳拟合结果 W: [[0.100  0.200]], b: [0.300]

这个文档中使用的python版本为2.x,所以使用python3时会出现不兼容的情况。另外文档也比较老了,很多函数都已经更新。建议直接阅读官方文档。

发表评论

电子邮件地址不会被公开。 必填项已用*标注