tensorflow简单的Demo

安装TensorFlow：

我是用Anaconda安装的，具体安装Anaconda的链接在这里：

Anaconda超详细安装教程（Windows环境下）_菜鸟1号！！的博客-CSDN博客_windows安装anaconda

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple  --user tensorflow==1.15

我把这个放在前面，因为我习惯安装的时候会把TensorFlow安装，这个是在线下载的方式安装，还有离线安装 https://pypi.org/  ，需要什么可以自己下载

可能会遇到各种问题，百度应该都能搜到，我举个例子：

报错信息：protobuf requires Python '>=3.7' but the running Python is 3.6.5

解决方法：更新pip后重新安装tensorflow。

更新命令：python -m pip install --upgrade pip

安装各个包的方法，上面的镜像是清华大学的， --user不加有时候会报错
使用：===============

使用tensorflow来进行拟合

import tensorflow as tf
import numpy as np
 
tf.compat.v1.disable_eager_execution()
#使用numpy生成100个点
x_data = np.random.rand(100)
#相当于一条线目标的k为0.1 目标b为0.2 相当于样本
y_data = x_data*0.1 + 0.2
 
#构造一个线性模型,b和k为小数 优化b和k使创建的模型接近于样本
b = tf.Variable(0.)
k = tf.Variable(0.)
y = k*x_data + b
 
#二次代价函数  reduce_mean:平均值
loss =  tf.reduce_mean(tf.square(y_data-y))
#定义一个梯度下降法来训练的优化器 使用梯度下降法学习率为0.2
optimizer = tf.train.GradientDescentOptimizer(0.2)
#最小化代价函数
train = optimizer.minimize(loss)
#初始化变量
init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    for step in  range(201):#200次
        sess.run(train)
        if step%20  == 0:#每20次打印k和b的值
            print(step,sess.run([k,b]))

最后的输出结果为：

0 [0.05454114, 0.10042667]
20 [0.10407049, 0.19777988]
40 [0.10242963, 0.19867489]
60 [0.1014502, 0.19920906]
80 [0.10086558, 0.19952792]
100 [0.100516655, 0.19971822]
120 [0.10030838, 0.19983181]
140 [0.10018406, 0.19989961]
160 [0.10010986, 0.19994009]
180 [0.10006558, 0.19996424]
200 [0.10003916, 0.19997863]

下面写一个简单的线性回归，以二次的为例：

import tensorflow  as tf
import numpy as np
import matplotlib.pyplot as plt
tf.compat.v1.disable_eager_execution()
#使用numpy生成200个随机点  [:np.newaxis]:加一个维度200行1列
x_data = np.linspace(-0.5,0.5,200)[:,np.newaxis]
#生成噪音，形状和x_data一样
noise = np.random.normal(0,0.02,x_data.shape)
y_data = np.square(x_data)+noise
 
#定义两个placeholder
x = tf.placeholder(tf.float32,[None,1])
y = tf.placeholder(tf.float32,[None,1])
 
#定义神经网络中间层
Weight_L1 = tf.Variable(tf.random_normal([1,10]))
biases_L1 = tf.Variable(tf.zeros([1,10]))
Wx_plus_b_L1 = tf.matmul(x,Weight_L1) + biases_L1
#定义激活函数
L1 = tf.nn.tanh(Wx_plus_b_L1)
 
#定义输出层
Weight_L2 = tf.Variable(tf.random_normal([10,1]))
biases_L2 = tf.Variable(tf.random_normal([1,1]))
Wx_plus_b_L2 = tf.matmul(L1,Weight_L2) + biases_L2
prediction = tf.nn.tanh(Wx_plus_b_L2)
 
#二次代价函数
loss = tf.reduce_mean(tf.square(y-prediction))
#梯度下降法
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
 
#定义会话
with tf.Session() as sess:
    #变量初始化
    sess.run(tf.global_variables_initializer())
    for _ in range(2000):
        sess.run(train_step,feed_dict={x:x_data,y:y_data})
    #查看训练结果 训练后的w和b值进行计算的
    prediction_value = sess.run(prediction,feed_dict={x:x_data})
    plt.figure()
    plt.scatter(x_data,y_data)
    plt.plot(x_data,prediction_value,'r-',lw=2)
    plt.show()

最后运行的结果为：