TF學習：Tensorflow基礎案例、經典案例集合——基于python程式設計代碼的實作（一）

目錄

Tensorflow的使用入門

1、TF：使用Tensorflow輸出一句話

2、TF實作加法

3、TF實作乘法

4、TF實作計算功能

5、TF：Tensorflow完成一次線性函數計算

Tensorflow的基礎案例

1、TF根據三維資料拟合平面

Tensorflow的經典案例

#TF：使用Tensorflow輸出一句話

import tensorflow as tf

import numpy as np

greeting = tf.constant('Hello Google Tensorflow!')

sess = tf.Session()           #啟動一個會話

result = sess.run(greeting)   #使用會話執行greeting計算子產品

print(result)

sess.close()                  #關閉會話，這是一種顯式關閉會話的方式

張量和圖的兩種方式實作：聲明兩個常量 a 和 b，并定義一個加法運算。先定義一張圖，然後運作它，

# -*- coding: utf-8 -*-

#1、張量和圖的兩種方式實作：聲明兩個常量 a 和 b，并定義一個加法運算。先定義一張圖，然後運作它，

import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

#T1

a=tf.constant([1,0,1,4])

b=tf.constant([ 1 , 0 , 0 , 4 ])

result=a+b

sess=tf. Session ()

print (sess.run(result))

sess.close

#T2

with  tf.Session()  as  sess:

   a=tf.constant([ 1 , 0 , 1 , 4 ])

   b=tf.constant([ 1 , 0 , 0 , 4 ])

   result=a+b

   print (sess.run(result))

#2、常量和變量

#TensorFlow 中最基本的機關是常量（Constant）、變量（Variable）和占位符（Placeholder）。常量定義後值和次元不可變，變量定義後值可變而次元不可變。在神經網絡中，變量一般可作為儲存權重和其他資訊的矩陣，而常量可作為儲存超參數或其他結構資訊的變量。下面我們分别定義了常量與變量

#聲明了不同的常量（tf.constant()）

a = tf.constant( 2 , tf.int16)  #聲明了不同的整數型資料

b = tf.constant( 4 , tf.float32)  #聲明了不同的浮點型資料

c = tf.constant( 8 , tf.float32)  

#聲明了不同的變量（tf.Variable()）

d = tf. Variable ( 2 , tf.int16)

e = tf. Variable ( 4 , tf.float32)  

f = tf. Variable ( 8 , tf.float32)  

g = tf.constant(np.zeros(shape=( 2 , 2 ), dtype=np.float32))#聲明結合了 TensorFlow 和 Numpy

h = tf.zeros([ 11 ], tf.int16)  #産生全是0的矩陣

i = tf.ones([ 2 , 2 ], tf.float32)  #産生全是 1的矩陣

j = tf.zeros([ 1000 , 4 , 3 ], tf.float64)  

k = tf. Variable (tf.zeros([ 2 , 2 ], tf.float32))  

l = tf. Variable (tf.zeros([ 5 , 6 , 5 ], tf.float32))

#聲明一個 2 行 3 列的變量矩陣，該變量的值服從标準差為 1 的正态分布，并随機生成

w1=tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))

#TensorFlow 還有 tf.truncated_normal() 函數，即截斷正态分布随機數，它隻保留 [mean-2*stddev,mean+2*stddev] 範圍内的随機數

#案例應用：應用變量來定義神經網絡中的權重矩陣和偏置項向量

weights = tf.Variable(tf.truncated_normal([256 * 256, 10]))

biases = tf. Variable (tf.zeros([10]))

print (weights.get_shape().as_list())

print (biases.get_shape().as_list())

Tensorflow之session會話的使用，定義兩個矩陣，兩種方法輸出2個矩陣相乘的結果

matrix1 = tf.constant([[3, 20]])

matrix2 = tf.constant([[6],      

                      [100]])

product = tf.matmul(matrix1, matrix2)  

# method 1，正常方法

sess = tf.Session()        

result = sess.run(product)

print(result)

sess.close()            

# # method 2，with方法

# with tf.Session() as sess:   #

#     result2 = sess.run(product)

#     print(result2)