TensorFlow基础实践：分类任务实现

1.tensorflow重置计算图

登录后复制

from tensorflow.python.framework import ops
ops.reset_default_graph()
sess = tf.Session() #创建计算图会话

2.tensorflow扩展张量维度

登录后复制

tf.expend_dim()

3.tensorflow随机单样本训练和批量训练

登录后复制

# 用np生成x_vals和y_vals就不用像tf中的计算图那样需要运行计算图。
x_vals = np.concatenate((np.random_normal(-1,1,50),np.random_normal(3,1,50)))
y_vals = np.concatenate((np.repeat(0.,50), np.repeat(1.,50)))

随机单样本

登录后复制

#生成占位符
x_data= tf.placeholder(shape = [1], dtype = tf.float32)
y_data= tf.placeholder(shape = [1], dtype = tf.float32)

批量训练

登录后复制

# 生成占位符
x_data = tf.placeholder(shape = [None,1], dtype = tf.float32)
y_data= tf.placeholder(shape = [None,1], dtype = tf.float32)

# 注意批处理的时候计算loss需要求平均
loss = tf.reduce_mean(tf.square(my_output - target))

4.tensorflow处理iris数据集分类

登录后复制

#用np处理iris数据集
iris = datasets.load_iris()
binary_target = np.array([1. if x == 0 else 0. for x in iris.target])
iris_2d = np.array([ [x[2],x[3]] for x in iris.data ])
A = tf.Variable(tf.random_normal(shape=[1,1]))
b = tf.Variable(tf.random_normal(shape=[1,1]))

#这段就相当于用特征x1_data,x2_data来计算出my_output最终根据my_output来判断物体当前类别。
my_mult = tf.matmul(x2_data,A)
my_add = tf.add(my_mult,b)
my_output = tf.sub(x1_data, my_add)


#已知A，b用np把那条分类线画出来
[[slope]] = sess.run(A)
[[intercept]] = sess.run(b)
#这相当于曲线展示的时候的横坐标
x = np.linspace(0, 3, num = 50)
y = []
for i in x:
    y.append(slope*i + intercept)
plt.plot(x, y, 'b--')

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删