如需转载，请注明出处，欢迎加入深度学习群 255568483
Tensorflow的介绍请各位自行google，就不做多的介绍了。
Tensorflow是一个深度学习框架，他和机器学习一样，有其固定的解决问题的方式。其训练过程有固定的模式，一般如下：
1.初始化模型参数
2.输入训练数据
3.在训练数据上验证模型
4.计算损失
5.调整模型参数
重复第2步操作。
解释：
1.在第一次运行的时候，初始化模型参数。通常我们使用随机数来代替，或者全部设置为0
2.对每个数据样本进行训练，通常会随机的打乱样本数据顺序
3.在训练数据上执行模型，根据当前的模型参数计算每次训练的输出。
4.计算模型损失，这个主要是用于表明我们的模型与实际模型的偏差有多大。对于不同的模型有不同的损失函数。
5.调整模型参数，这是在学习过程中发生的。根据损失函数，调整模型的参数，通常使用梯度下降算法来学习。
训练过程完成以后，就到了评估阶段，我们使用测试的数据来验证输出，并评估损失。通常的方法是把数据按训练/测试 70/30或者80/20来划分数据。
根据以上思路，整理一个解决问题的基本代码框架：
-
import tensorflow as tf
-
-
-
# 定义训练模型
-
def inference(X):
-
return ''
-
-
-
# 计算损失函数
-
def loss(X, Y):
-
return ''
-
-
-
# 生成训练数据，通过返回x,y
-
def inputs():
-
return ''
-
-
-
# 根据损失函数训练模型
-
def train(total_loss):
-
return ''
-
-
-
# 评估训练模型
-
def evaluate(sess, X, Y):
-
return ''
-
# 创建一个saver
-
saver = tf.train.Saver()
-
# 使用tensorflow进行训练
-
with tf.Session() as sess:
-
tf.initialize_all_variables().run()
-
X, Y = inputs()
-
total_loss = loss(X, Y)
-
train_op = train(total_loss)
-
coord = tf.train.Coordinator()
-
threads = tf.train.start_queue_runners(sess=sess, coord=coord)
-
training_steps = 1000
-
for step in range(training_steps):
-
sess.run([train_op])
-
if step % 10 == 0:
-
print("loss: ", sess.run([total_loss]))
-
#保存模型
-
saver.save(sess, 'my-model', global_step=step)
-
-
evaluate(sess, X, Y)
-
-
saver.save(sess, 'my-model', global_step=training_steps)
-
-
coord.request_stop()
-
coord.join(threads)
-
sess.close()
以上是处理问题的一个基本套路，第一步初始化模型的参数，然后定义一个模型，读取输入数据(method inputs)，训练模型(method inference)，计算损失函数(method loss)，调整模型参数(method train)，评估训练模型(method evaluate)，然后在tensorflow中运行。
下面通过一个例子来解释，我们定义一个函数 y=2x+0.5，根据以上函数随机生成一个含有500个数据的数据集，使用matplotlib显示如下：
使用tensorflow来拟合此函数，根据以上的代码框架来看拟合的函数曲线，如下：
第1次
经过20次的训练基本上可以满足要求，看损失函数如下
完整代码如下：
-
import numpy as np
-
import matplotlib.pyplot as plt
-
import tensorflow as tf
-
-
number_of_points = 300
-
x_point = []
-
y_point = []
-
-
a = 2
-
b = 0.5
-
#y = 2x + 0.5
-
for i in range(number_of_points):
-
x = np.random.normal(0.0,0.5)
-
y = a*x + b +np.random.normal(0.0,0.1)
-
x_point.append([x])
-
y_point.append([y])
-
-
plt.plot(x_point,y_point, 'o', label='Input Data')
-
plt.legend()
-
plt.show()
-
-
####################################
-
-
A = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
-
b = tf.Variable(tf.zeros([1]))
-
-
# 定义训练模型
-
def inference(x):
-
return A * x + b
-
-
-
# 计算损失函数
-
def loss(x, y):
-
y_predicted = inference(x)
-
return tf.reduce_sum(tf.squared_difference(y, y_predicted))
-
-
-
# 生成训练数据，通过返回x,y
-
def inputs():
-
return tf.to_float(x_point), tf.to_float(y_point)
-
-
-
# 根据损失函数训练模型
-
def train(total_loss):
-
learning_rate = 0.001
-
return tf.train.GradientDescentOptimizer(learning_rate).minimize(total_loss)
-
-
-
# 评估训练模型
-
# y = 2x + 0.5
-
def evaluate(sess):
-
print('evaluate>>>>>>>>>',sess.run(inference([[0.3]])))
-
print('evaluate>>>>>>>>>',sess.run(inference([[0.4]])))
-
-
# 创建一个saver
-
saver = tf.train.Saver()
-
# 使用tensorflow进行训练
-
with tf.Session() as sess:
-
tf.global_variables_initializer().run()
-
x, y = inputs()
-
total_loss = loss(x, y)
-
train_op = train(total_loss)
-
coord = tf.train.Coordinator()
-
threads = tf.train.start_queue_runners(sess=sess, coord=coord)
-
training_steps = 21
-
for step in range(training_steps):
-
sess.run([train_op])
-
if step % 5 == 0:
-
print("loss: ", sess.run([total_loss]))
-
#保存模型
-
saver.save(sess, 'model/my-model', global_step=step)
-
plt.plot(x_point, y_point, 'o', label='step = {}'.format(step))
-
plt.plot(x_point, sess.run(A) * x_point + sess.run(b))
-
plt.legend()
-
plt.show()
-
-
evaluate(sess)
-
-
saver.save(sess, 'model/my-model', global_step=training_steps)
-
-
coord.request_stop()
-
coord.join(threads)
-
sess.close()
以上代码运行环境为tensorflow1.0
转：http://blog.csdn.net/vs412237401/article/details/61918780