如何定义TensorFlow输入节点
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
importtensorflowastf
importnumpyasnp
importmatplotlib.pyplotasplt
plotdata={"batchsize":[],"loss":[]}
defmoving_average(a,w=10):
iflen(a)
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
importtensorflowastf
importnumpyasnp
importmatplotlib.pyplotasplt
#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='Originaldata')
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)#Gradientdescent
#初始化变量
init=tf.global_variables_initializer()
#参数设置
training_epochs=20
display_step=2
#启动session
withtf.Session()assess:
sess.run(init)
#Fitalltrainingdata
forepochinrange(training_epochs):
for(x,y)inzip(train_X,train_Y):
sess.run(optimizer)
#显示训练中的详细信息
ifepoch%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
以上这篇如何定义TensorFlow输入节点就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。