如何定義TensorFlow輸入節(jié)點

更新時間：2020年01月23日 17:09:53 作者：cakincqm

今天小編就為大家分享一篇如何定義TensorFlow輸入節(jié)點，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧

TensorFlow中有如下幾種定義輸入節(jié)點的方法。

通過占位符定義：一般使用這種方式。

通過字典類型定義：一般用于輸入比較多的情況。

直接定義：一般很少使用。

一占位符定義

示例：

具體使用tf.placeholder函數(shù)，代碼如下：

X = tf.placeholder("float")
Y = tf.placeholder("float")

二字典類型定義

1 實例

通過字典類型定義輸入節(jié)點

2 關(guān)鍵代碼

# 創(chuàng)建模型
# 占位符
inputdict = {
  'x': tf.placeholder("float"),
  'y': tf.placeholder("float")
}

3 解釋

通過字典定義的方式和第一種比較像，只不過是堆疊到一起。

4 全部代碼

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
plotdata = { "batchsize":[], "loss":[] }
def moving_average(a, w=10):
  if len(a) < w:
    return a[:]  
  return [val if idx < w else sum(a[(idx-w):idx])/w for idx, val in enumerate(a)]
#生成模擬數(shù)據(jù)
train_X = np.linspace(-1, 1, 100)
train_Y = 2 * train_X + np.random.randn(*train_X.shape) * 0.3 # y=2x，但是加入了噪聲
#圖形顯示
plt.plot(train_X, train_Y, 'ro', label='Original data')
plt.legend()
plt.show()
# 創(chuàng)建模型
# 占位符
inputdict = {
  'x': tf.placeholder("float"),
  'y': tf.placeholder("float")
}
# 模型參數(shù)
W = tf.Variable(tf.random_normal([1]), name="weight")
b = tf.Variable(tf.zeros([1]), name="bias")
# 前向結(jié)構(gòu)
z = tf.multiply(inputdict['x'], W)+ b
#反向優(yōu)化
cost =tf.reduce_mean( tf.square(inputdict['y'] - z))
learning_rate = 0.01
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost) #Gradient descent
# 初始化變量
init = tf.global_variables_initializer()
#參數(shù)設(shè)置
training_epochs = 20
display_step = 2
# 啟動session
with tf.Session() as sess:
  sess.run(init)
  # Fit all training data
  for epoch in range(training_epochs):
    for (x, y) in zip(train_X, train_Y):
      sess.run(optimizer, feed_dict={inputdict['x']: x, inputdict['y']: y})
    #顯示訓(xùn)練中的詳細(xì)信息
    if epoch % display_step == 0:
      loss = sess.run(cost, feed_dict={inputdict['x']: train_X, inputdict['y']:train_Y})
      print ("Epoch:", epoch+1, "cost=", loss,"W=", sess.run(W), "b=", sess.run(b))
      if not (loss == "NA" ):
        plotdata["batchsize"].append(epoch)
        plotdata["loss"].append(loss)
  print (" Finished!")
  print ("cost=", sess.run(cost, feed_dict={inputdict['x']: train_X, inputdict['y']: train_Y}), "W=", sess.run(W), "b=", sess.run(b))
  #圖形顯示
  plt.plot(train_X, train_Y, 'ro', label='Original data')
  plt.plot(train_X, sess.run(W) * train_X + sess.run(b), label='Fitted line')
  plt.legend()
  plt.show()
  
  plotdata["avgloss"] = moving_average(plotdata["loss"])
  plt.figure(1)
  plt.subplot(211)
  plt.plot(plotdata["batchsize"], plotdata["avgloss"], 'b--')
  plt.xlabel('Minibatch number')
  plt.ylabel('Loss')
  plt.title('Minibatch run vs. Training loss')
   
  plt.show()
  print ("x=0.2，z=", sess.run(z, feed_dict={inputdict['x']: 0.2}))

5 運行結(jié)果

三直接定義

1 實例

直接定義輸入結(jié)果

2 解釋

直接定義：將定義好的Python變量直接放到OP節(jié)點中參與輸入的運算，將模擬數(shù)據(jù)的變量直接放到模型中訓(xùn)練。

3 代碼

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
#生成模擬數(shù)據(jù)
train_X =np.float32( np.linspace(-1, 1, 100))
train_Y = 2 * train_X + np.random.randn(*train_X.shape) * 0.3 # y=2x，但是加入了噪聲
#圖形顯示
plt.plot(train_X, train_Y, 'ro', label='Original data')
plt.legend()
plt.show()
# 創(chuàng)建模型
# 模型參數(shù)
W = tf.Variable(tf.random_normal([1]), name="weight")
b = tf.Variable(tf.zeros([1]), name="bias")
# 前向結(jié)構(gòu)
z = tf.multiply(W, train_X)+ b
#反向優(yōu)化
cost =tf.reduce_mean( tf.square(train_Y - z))
learning_rate = 0.01
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost) #Gradient descent
# 初始化變量
init = tf.global_variables_initializer()
#參數(shù)設(shè)置
training_epochs = 20
display_step = 2
# 啟動session
with tf.Session() as sess:
  sess.run(init)
  # Fit all training data
  for epoch in range(training_epochs):
    for (x, y) in zip(train_X, train_Y):
      sess.run(optimizer)
    #顯示訓(xùn)練中的詳細(xì)信息
    if epoch % display_step == 0:
      loss = sess.run(cost)
      print ("Epoch:", epoch+1, "cost=", loss,"W=", sess.run(W), "b=", sess.run(b))
  print (" Finished!")
  print ("cost=", sess.run(cost), "W=", sess.run(W), "b=", sess.run(b))

4 運行結(jié)果