监督学习的两大类为分类问题与回归问题

定义常量：tf.constant([1.0,2.0],name="a")

定义变量：tf.Variable进行变量声明

w2=tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))

tf.random_normal生成一些随机数：

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

例

import tensorflow as tfdata = tf.random_normal([2,3],stddev=1,seed=1) #输出一个2*3的矩阵with tf.Session() as sess: a = sess.run(data)

print(a)

结果：

[[-0.8113182 1.4845988 0.06532937]

[-2.4427042 0.0992484 0.5912243 ]]

即生成2*3的矩阵

定义会话：

with tf.Session() as sess:   #此处掉了()，运行时报错AttributeError: __enter__
    init_op = tf.global_variables_initializer()#初始化变量
    sess.run(init_op)

    sess.run(w1)
    sess.run(w2)

import tensorflow as tfa=tf.constant(3,name='x')b=tf.constant(4,name='y')# a=3# b=4c=tf.add(a,b)with tf.Session() as session: # init = tf.global_variables_initializer() # session.run(init) print(session.run(c))

结果

扫描二维码关注公众号，回复： 1061803 查看本文章

初始化所有变量：

init_op = tf.global_variables_initializer()#初始化变量

一些数学表达公式：

矩阵乘法：tf.matmul(x,y)

如a=tf.matmul(x,w1)

创建占位符tf.placeholder

tf.placeholder(dtype, shape=None, name=None)

placeholder，中文意思是占位符

此函数可以理解为形参，用于定义过程，在执行的时候再赋具体的值

（在tensorflow中类似于函数参数，运行时必须传入值）

参数：
dtype：数据类型。常用的是tf.float32,tf.float64等数值类型
shape：数据形状。默认是None，就是一维值，也可以是多维，比如[2,3], [None, 3]表示列是3，行不定
name：名称。

在session运行阶段，需要给placeholder提供数据，利用feed_dict的字典结构给placeholdr变量“喂数据”

import tensorflow as tf
a=tf.placeholder(tf.float32)
b=tf.placeholder(tf.float32)
c=tf.add(a,b)

with tf.Session() as sess:

print(sess.run(c,feed_dict={a:10,b:30})) #把10赋给a，30赋给b

结果

40.0

import tensorflow as tf
# 定义placeholder
input1 = tf.placeholder(tf.float32,[2,3])
input2 = tf.placeholder(tf.float32,[3,2])

# 定义乘法运算
output = tf.matmul(input1, input2)

# 通过session执行乘法运行
with tf.Session() as sess:
# 执行时要传入placeholder的值
print(sess.run(output, feed_dict = {input1:[[7.,5,6],[5,9,6]], input2: [[2.,5],[3,5],[8,8]]}))

结果

[[ 77. 108.]
[ 85. 118.]]

placeholder与variable的区别：

它在使用的时候和前面的variable不同的是在session运行阶段，需要给placeholder提供数据，利用feed_dict的字典结构给placeholdr变量“喂数据”。

tf.Session.run会话

run( fetches, feed_dict=None, options=None, run_metadata=None)

tf.Session.run() 执行 fetches 中的操作，计算 fetches 中的张量值。
这个函数执行一步 TensorFlow 运算，通过运行必要的图块来执行每一个操作，并且计算每一个 fetches 中的张量的值，用相关的输入变量替换 feed_dict 中的值。
fetches 参数可能是一个单一图元素，或者任意嵌套列表，元组，namedtuple，字典，或者有序字典在叶子中包含图元素。
tf.Session.run()函数返回值为fetches的执行结果。如果fetches是一个元素就返回一个值；若fetches是一个list，则返回list的值，若fetches是一个字典类型，则返回和fetches同keys的字典。

代价函数在有些地方也称损失函数，目前常用的几种代价函数有二次代价函数、交叉熵代价函数、对数释然函数等。

二次代价函数

代价函数在有些地方也称损失函数，目前常用的几种代价函数有二次代价函数、交叉熵代价函数、对数释然函数等。

为基本的用来计算结果与预测值之间的差异

tf.reduce_mean

tensorflow中有一类在tensor的某一维度上求值的函数。如：
求最大值tf.reduce_max(input_tensor, reduction_indices=None, keep_dims=False, name=None)
求平均值tf.reduce_mean(input_tensor, reduction_indices=None, keep_dims=False, name=None)
参数1--input_tensor:待求值的tensor。
参数2--reduction_indices:在哪一维上求解。
参数（3）（4）可忽略

举例说明：
# 'x' is [[1., 2.]
# [3., 4.]]
x是一个2维数组，分别调用reduce_*函数如下：
首先求平均值：
tf.reduce_mean(x) ==> 2.5 #如果不指定第二个参数，那么就在所有的元素中取平均值
tf.reduce_mean(x, 0) ==> [2., 3.] #指定第二个参数为0，则第一维的元素取平均值，即每一列求平均值
tf.reduce_mean(x, 1) ==> [1.5, 3.5] #
指定第二个参数为1，则第二维的元素取平均值，即每一行求平均值

同理，还可用tf.reduce_max()求最大值等。

reduction_indices参数，表示函数的处理维度

需要注意的一点，在很多的时候，我们看到别人的代码中并没有reduction_indices这个参数，此时该参数取默认值None，将把input_tensor降到0维，也就是一个数。

tf.equal(a,b)

比较a，b的大小，存储结果为布尔型变量True/False这些

tf.argmax(y,1)

argmax()官方文档如下：
tf.argmax(input, dimension, name=None)
Returns the index with the largest value across dimensions of a tensor.
Args:
input: A Tensor. Must be one of the following types: float32, float64, int64, int32, uint8, int16, int8, complex64, qint8, quint8, qint32.
dimension: A Tensor of type int32. int32, 0 <= dimension < rank(input). Describes which dimension of the input Tensor to reduce across. For vectors, use dimension = 0.
name: A name for the operation (optional).
Returns:
A Tensor of type int64.

dimension=0 按列找
dimension=1 按行找
tf.argmax()返回最大数值的下标
通常和tf.equal()一起使用，计算模型准确度

correct_pred = tf.equal(tf.argmax(pred,1), tf.argmax(y,1))
accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))

b = tf.constant([[1, 2, 3], [3, 2, 1], [4, 5, 6], [6, 5, 4]])
with tf.Session() as sess:
mm=sess.run(tf.argmax(b, 0)) #按列找

print(mm)

结果

[3 2 2]

b = tf.constant([[1, 2, 3], [3, 2, 1], [4, 5, 6], [6, 5, 4]])
with tf.Session() as sess:
mm=sess.run(tf.argmax(b, 1)) #按列找