怎样定义TensorFlow输入节点

这篇文章主要介绍了怎样定义TensorFlow输入节点，具有一定借鉴价值，感兴趣的朋友可以参考下，希望大家阅读完这篇文章之后大有收获，下面让小编带着大家一起了解一下。

TensorFlow中有如下几种定义输入节点的方法。

通过占位符定义：一般使用这种方式。

通过字典类型定义：一般用于输入比较多的情况。

直接定义：一般很少使用。

一 占位符定义

示例：

具体使用tf.placeholder函数，代码如下：

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

二 字典类型定义

1 实例

通过字典类型定义输入节点

2 关键代码

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

3 解释

通过字典定义的方式和第一种比较像，只不过是堆叠到一起。

4 全部代码

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)] #生成模拟数据 train_X = np.linspace(-1, 1, 100) train_Y = 2 * train_X + np.random.randn(*train_X.shape) * 0.3 # y=2x，但是加入了噪声 #图形显示 plt.plot(train_X, train_Y, 'ro', label='Original data') plt.legend() plt.show() # 创建模型 # 占位符 inputdict = {   'x': tf.placeholder("float"),   'y': tf.placeholder("float") } # 模型参数 W = tf.Variable(tf.random_normal([1]), name="weight") b = tf.Variable(tf.zeros([1]), name="bias") # 前向结构 z = tf.multiply(inputdict['x'], W)+ b #反向优化 cost =tf.reduce_mean( tf.square(inputdict['y'] - z)) learning_rate = 0.01 optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost) #Gradient descent # 初始化变量 init = tf.global_variables_initializer() #参数设置 training_epochs = 20 display_step = 2 # 启动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})     #显示训练中的详细信息     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))   #图形显示   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 运行结果

三 直接定义

1 实例

直接定义输入结果

2 解释

直接定义：将定义好的Python变量直接放到OP节点中参与输入的运算，将模拟数据的变量直接放到模型中训练。

3 代码

import tensorflow as tf import numpy as np import matplotlib.pyplot as plt #生成模拟数据 train_X =np.float32( np.linspace(-1, 1, 100)) train_Y = 2 * train_X + np.random.randn(*train_X.shape) * 0.3 # y=2x，但是加入了噪声 #图形显示 plt.plot(train_X, train_Y, 'ro', label='Original data') plt.legend() plt.show() # 创建模型 # 模型参数 W = tf.Variable(tf.random_normal([1]), name="weight") b = tf.Variable(tf.zeros([1]), name="bias") # 前向结构 z = tf.multiply(W, train_X)+ b #反向优化 cost =tf.reduce_mean( tf.square(train_Y - z)) learning_rate = 0.01 optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost) #Gradient descent # 初始化变量 init = tf.global_variables_initializer() #参数设置 training_epochs = 20 display_step = 2 # 启动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)     #显示训练中的详细信息     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 运行结果

感谢你能够认真阅读完这篇文章，希望小编分享的“怎样定义TensorFlow输入节点”这篇文章对大家有帮助，同时也希望大家多多支持亿速云，关注亿速云行业资讯频道，更多相关知识等着你来学习!