在jupyter nootbook中编辑和运行

一 TensorFlow

步骤：

一。import tensorflow as tf

二。载入数据

（数据分批）

三。定义placeholder（之后传入训练集）

x = tf.placeholder(tf.float32, [维度], name = "")

四。定义结构和参数（w，b）

写出预测函数z = (激活函数（wx + b）)

可以进行dropout（防止过拟合）

第四步每一层神经网络都要定义一次（最后一层的激活函数一般和前面不一样）

w = tf.Variable(tf.zeros([]))

wx_plus_b = tf.matmul(w, x) + b

L1 = tf.nn.激活函数（wx_plus_b） （最后一层命名为prediction）

#dropout

keep_prob=tf.placeholder(tf.float32)（或直接定义为一个常数）

L1_drop = tf.nn.dropout(L1,keep_prob)

五。定义代价函数（二次代价函数，交叉熵代价函数）

loss = tf.reduce_mean(tf.square(y-prediction))（二次代价函数）（下面是交叉熵代价函数）

loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))

或tf.nn.sigmoid_cross_entropy_with_logits

prediction是预测函数（不带激活函数（softmax或sigmoid，一般最后一层都用这两个），因为这个函数里做了）

(tf.reduce_mean是求平均值)

六。优化器训练，定义学习率（随机梯度下降等很多）

train_step = tf.nn.GradientDescentOptimizer(0.5).minimize（loss）

tf.nn.AdadeltaOptimizer()

tf.nn.adagradOptimizer()

....很多种优化方法

七。求准确率

correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))

#argmax返回一维张量中最大的值所在的位置，tf.equal判断相等

accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

八。初始化变量

init = tf.global_variabies_initializer()

九。with tf.Session as sess:

sess.run(init)

for epoch in range(51):#训练51次

sess.run([] ,feed_dict = {x: , y: })

#[]里写要运行的OP，如train_step. 后面feed值。

这个函数可以有返回值，返回值为OP的执行结果。如果OP是一个元素就返回一个值；

若OP是一个list，则返回list的值，若OP是一个字典类型，则返回和OP同keys的字典。

acc = sess.run(accury, feed_dict = {})

print("Iter " + str(epoch) + ",Testing Accuracy " + str(acc))

可优化的地方：

1.数据分批方式

2.训练数据多少

3.换激活函数

4.增加神经元和网络层数

5.加dropout（调整dropout的参数keep_prob）或正则化

6.学习率

7.换优化方式

8.训练次数增多

使用tensorBoard做网络可视化

1.每个部分（基本上按照前面的步骤分块）前面加命名空间，里面可以再加子空间

with tf.name_scope('自己定义空间名')：

with tf.name_scope(''):(placeholder和variable要加name参数，别的不用)

x = placeholder(tf.float32,[None,10],name = "x_input")

2.最后的with tf.Session() as sess:里面加：

writer = tf.summary.FileWriter('logs/(自己定义路径和文件夹)',sess.graph)

3.运行，打开命令提示符窗口cmd，输入d： （转到d盘）

tensorboard --logdir=路径，（路径就是刚才定义的logs文件夹位置，没定义路径自动在项目文件夹里面）

然后用谷歌浏览器（不要360）打开给的网址

改动程序后，要把文件删了，然后要选restart clearOutput。

绘图：

tf.summary.scalar("", w) 求a参数的标量图（变化图）

tf.summary.histogram("",w) 直方图

可以求loss和accuracy的标量图，w和b的标量图

最后加一句 合并所有的summary

merged = tf.summary.merge_all()

在with里面sess.run(train_step, feed_dict={x:batch_xs, y:batch_ys})这句话改成：

summary, _ = sess.run([merged, train_step],feed_dict={x:batch_xs, y:batch_ys})

writer.add_summary(summary)

二 Keras

model = Sequential()

#第一层（输入层）

model.add(Dense(input_dim = 28*28, output_dim = 500))

model.add(Activation('sigmoid'))

#第二层

model.add(Dense(output_dim = 500))

model.add(Activation('sigmoid'))

#第三层（输出层）

model.add(Dense(output_dim = 10))

model.add(Activation('softmax'))

#损失函数和优化器

model.compile(loss = 'mse',

optimizer = SGD(lr = 0.1),

metrics = ['accuracy'])

#训练

model.fit(x_train, y_train, batch_size = 100, nb_epoch = 20)

#测试

score = model.evaluate(x_text, y_text)

print('Total loss on Testing Set:', score[0])

print('Accuracy of Testing Set:', score[1])

#应用预测

result = model.predict(x_test)

最后

以上就是温柔羽毛为你收集整理的TensorFlow和keras基础使用一 TensorFlow二 Keras的全部内容，希望文章能够帮你解决TensorFlow和keras基础使用一 TensorFlow二 Keras所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。