569
TensorFlow教程之新手入門 1.1 介紹
本文檔為TensorFlow參考文檔，本轉載已得到TensorFlow中文社區授權。
簡介
本章的目的是讓你了解和運行 TensorFlow!
在開始之前, 讓我們先看一段使用 Python API 撰寫的 TensorFlow 示例代碼, 讓你對將要學習的內容有初步的印象.
這段很短的 Python 程序生成了一些三維數據, 然後用一個平麵擬合它.
import tensorflow as tf
import numpy as np
# 使用 NumPy 生成假數據(phony data), 總共 100 個點.
x_data = np.float32(np.random.rand(2, 100)) # 隨機輸入
y_data = np.dot([0.100, 0.200], x_data) + 0.300
# 構造一個線性模型
#
b = tf.Variable(tf.zeros([1]))
W = tf.Variable(tf.random_uniform([1, 2], -1.0, 1.0))
y = tf.matmul(W, x_data) + b
# 最小化方差
loss = tf.reduce_mean(tf.square(y - y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)
# 初始化變量
init = tf.initialize_all_variables()
# 啟動圖 (graph)
sess = tf.Session()
sess.run(init)
# 擬合平麵
for step in xrange(0, 201):
sess.run(train)
if step % 20 == 0:
print step, sess.run(W), sess.run(b)
# 得到最佳擬合結果 W: [[0.100 0.200]], b: [0.300]
為了進一步激發你的學習欲望, 我們想讓你先看一下 TensorFlow 是如何解決一個經典的機器 學習問題的. 在神經網絡領域, 最為經典的問題莫過於 MNIST 手寫數字分類問題. 我們準備了 兩篇不同的教程, 分別麵向機器學習領域的初學者和專家. 如果你已經使用其它軟件訓練過許多 MNIST 模型, 請閱讀高級教程 (紅色藥丸鏈接). 如果你以前從未聽說過 MNIST, 請閱讀初級教程 (藍色藥丸鏈接). 如果你的水平介於這兩類人之間, 我們建議你先快速瀏覽初級教程, 然後再閱讀高級教程.
圖片由 CC BY-SA 4.0 授權; 原作者 W. Carter
如果你已經下定決心, 準備學習和安裝 TensorFlow, 你可以略過這些文字, 直接閱讀 後麵的章節. 不用擔心, 你仍然會看到 MNIST -- 在闡述 TensorFlow 的特性時, 我們還會使用 MNIST 作為一個樣例.
最後更新：2017-08-22 15:07:19