第一个TF程序：实现回归模型

来自CloudWiki
跳转至： 导航， 搜索

为了用python实现高效的数值计算，我们通常会使用函数库，比如NumPy，会把类似矩阵乘法这样的复杂运算使用其他外部语言实现。不幸的是，从外部计算切换回Python的每一个操作，仍然是一个很大的开销。如果你用GPU来进行外部计算，这样的开销会更大。用分布式的计算方式，也会花费更多的资源用来传输数据。

TensorFlow也把复杂的计算放在python之外完成，但是为了避免前面说的那些开销，它做了进一步完善。Tensorflow不单独地运行单一的复杂计算，而是让我们可以先用图描述一系列可交互的计算操作，然后全部一起在Python之外运行。（这样类似的运行方式，可以在不少的机器学习库中看到。）

0.TensorFlow整体介绍

使用 TensorFlow, 你必须明白 TensorFlow:

   使用图 (graph) 来表示计算任务.
   在被称之为 会话 (Session) 的上下文 (context) 中执行图.
   使用 tensor 表示数据.
   通过 变量 (Variable) 维护状态.
   使用 feed 和 fetch 可以为任意的操作(arbitrary operation)赋值或者从其中获取数据.

一个 TensorFlow 图描述了计算的过程. 为了进行计算, 图必须在 会话 里被启动. 会话 将图的 op 分发到诸如 CPU 或 GPU 之类的 设备 上, 同时提供执行 op 的方法. 这些方法执行后, 将产生的 tensor 返回. 在 Python 语言中, 返回的 tensor 是 numpy ndarray 对象; 在 C 和 C++ 语言中, 返回的 tensor 是tensorflow::Tensor 实例.[3]

1.引入占位符placeholder

使用TensorFlow之前，首先导入它：

import tensorflow as tf

我们通过操作符号变量来描述这些可交互的操作单元，可以用下面的方式创建一个：

x = tf.placeholder("float", [None, 784])

x不是一个特定的值，而是一个占位符placeholder，我们在TensorFlow运行计算时输入这个值。我们用2维的浮点数张量来表示待处理的图像，这个张量的形状是[None，784 ]，这里的None表示此张量的第一个维度可以是任何长度的，因为我们希望能够输入任意数量的MNIST图像，None后面的784表示每一张图展平成784维的向量。

2. 引入变量Variable

我们的模型也需要权重值和偏置量，在TensorFlow里面用Variable来表示它们 。 一个Variable代表一个可修改的张量，存在在TensorFlow的用于描述交互性操作的图中。它们可以用于计算输入值，也可以在计算中被修改。对于各种机器学习应用，一般都会有模型参数，可以用Variable表示。

 W = tf.Variable(tf.zeros([784,10]))
 b = tf.Variable(tf.zeros([10]))

我们赋予tf.Variable不同的初值来创建不同的Variable：在这里，我们都用全为零的张量来初始化W和b。因为我们要学习W和b的值，它们的初值可以随意设置。

注意，W的维度是[784，10]，因为我们想要用784维的图片向量乘以它以得到一个10维的证据值向量，每一位对应不同数字类。b的形状是[10]，所以我们可以直接把它加到输出上面。

  • T1-11.png

3. 实训模型

现在，我们可以实现我们的模型啦。只需要一行代码！ 

y = tf.nn.softmax(tf.matmul(x,W) + b)
  • 首先，我们用tf.matmul(​​X，W)表示x乘以W，对应之前等式里面的Wx，这里x是一个2维张量拥有多个输入。然后再加上b，把和输入到tf.nn.softmax函数里面。
  • T1-8.png

至此，我们先用了几行简短的代码来设置变量，然后只用了一行代码来定义我们的模型。TensorFlow不仅仅可以使softmax回归模型计算变得特别简单，它也用这种非常灵活的方式来描述其他各种数值计算，从机器学习模型对物理学模拟仿真模型。一旦被定义好之后，我们的模型就可以在不同的设备上运行：计算机的CPU，GPU，甚至是手机！

下一节 训练模型

参考文档：

取自“http://www.openbrains.net/mediawiki/index.php?title=第一个TF程序：实现回归模型&oldid=8943”