import tensorflow as tf import numpy as np #创造一些随机的初始数组,float32是tensorflow常用的数据类型。x_data是100*1维的数据 x_data=np.random.rand(100).astype(np.float32) #TensorFlow预测模型 #tensorflow需要模拟的模型 y_data就是实际值 y_data=x_data*0.1+0.3 #创建TensorFlow的模型## #初始化权重 tf.Variable必须大写,uniform里面【1】是一维变量,与上面生成的x_data对应,范围是-1到1 #weights和baise用的tf韩式所以后面必须初始化 Weights=tf.Variable(tf.random_uniform([1],-1.0,1.0)) baise=tf.Variable(tf.zeros([1])) #生成预测模型 y=Weights*x_data+baise; #生成损失函数(平方根均值) loss=tf.reduce_mean(tf.square(y-y_data)) #优化,反向传播 optimizer=tf.train.ProximalGradientDescentOptimizer(0.5) train=optimizer.minimize(loss) #数据初始化tf定义的数据完毕 init=tf.initialize_all_variables()#very import #构建tensor流图 sess=tf.Session() #激活init sess.run(init) for step in range(200): sess.run(train) if step%20==0: print(step,sess.run(Weights),sess.run(baise))
具体操作
1.先定义真实曲线
2.定义预测曲线
3.定义优化函数
4.初始化tf所定义的随机数
5.构建tf流图并激活随机数
6.激活反向传播并进行优化
TensorFlow很好的将模型与数据区分开,有利于复杂网络的构建。