基于Python3的TensorFlow实验（一）

（本实验来源于莫烦Python教程）
（莫烦Python教程链接：https://morvanzhou.github.io/）
（莫烦B站主页：https://space.bilibili.com/243821484/#/）
（B站实验视频教程链接：https://www.bilibili.com/video/av16001891/?p=9）

代码功能：

    对于y = x*Weights+bisaes

    使用TensorFlow构建神经网络，使其能够根据给定的训练数据，通过学习得到Weights与biases的数值。

    给定的训练数据：

             x_data：随机生成的数

             y_data：根据y_data=x_data*0.1+0.3计算得来

 

代码及注释：

import tensorflow as tf

import numpy as np

 

#创建变量

x_data=np.random.rand(100).astype(np.float32)       

#创建变量x_data。

#这里所创建的x_data是一个数组，是由函数“np.random.rand()”所生成的，“np.random.rand()”#可以创建一个数字，其元素是0到1之间的随机数，元素的数量由括号里的参数给出，比#如这里就是产生了一个由100个小于一且大于等于0的小数组成的一维数组。

#astype(np.float32)  用来实现变量类型的转换这里将变量转换成了np.float32型。

#np.float32  numpy float 与python float 有区别（具体的区别未知）

y_data=x_data*0.1+0.3

#与x_data相同，这里的y_data也是一个数组。

 

#创建神经网络的结构

Weights = tf.Variable(tf.random_uniform([1],-1.0,1.0)) 

#设置权重初值（在程序运行过程中这一权重应该不停地向预设的0.1靠近），在这里初值设#置为多少并不重要，因为其值会自动向预设值靠拢。

#tf.Variable()       通过tf.Variable构造一个variable添加进图中，具体功能有待详解。

#tf.random_uniform([1],-1.0,1.0)      用来从均匀分布中输出随机值。

#random_uniform(shape,minval=0,maxval=None,dtype=tf.float32,seed=None,name=None)是它

#的数据规格命名的格式，由此可以知道这一行代码所生成的变量是一个单个数值，取值范#围在-1和1之间。

biases = tf.Variable(tf.zeros([1]))    

#创建偏置，并对其初值进行设置。与前一行设置权重的规则一样，这里的初值的取值不重要。

#tf.zeros([1])  创建一个元素全为0的数组，官方的格式是tf.zeros(shape,dtype=tf.float32,name=None)

#这里所产生的是一个一维数组。

#两个元素的一维数组：res2 = tf.zeros([2])

#二维数组：res2 = tf.zeros([2, 4])输出为：[[0. 0. 0. 0.][0. 0. 0. 0.]]

#这里（以及上一行中）定义的数组与平常的数组有些区别，无法被直接以数组的形式打印出来，具体原因未知，应该与tf.Variable()函数有关。

y = Weights*x_data+biases    

#y是根据网络学习到的参数（这里是权重与偏置）所计算出的因变量，可以看做是网络对识#别结果做出的一个预估值。

#这一数值会在之后与训练数据中与之对应的数据相比对，比对出来的差值被称为“loss”值。

#loss值越小，说明网络的识别结果越精确。

loss = tf.reduce_mean(tf.square(y-y_data))            

#对loss值进行定义，这里定义loss值的方式是将预估值与训练数据中对应数据的差值的平#方的平均值（即方差）当做当前网络的loss值。

#tf.reduce_mean()的作用是求平均值，它可以设定两个参数，第一个参数是一个集合，

#可以是列表、二维数组和多维数组。第二个参数指定在哪个维度上面求平均值。默认对所#有的元素求平均。在这一行代码中，只存在一个参数，即“tf.square(y-y_data)”。

#tf.square()的功能是是对“()”里的每一个元素求平方。

optimizer = tf.train.GradientDescentOptimizer(0.5)         

#定义优化算法。这里使用的是随机梯度下降SGD（Stochastic Gradient Descent）。

#定义好优化算法之后，TensorFlow就可以根据定义的整个计算图（先前的代码已经自动构#成了计算图）自动求导，并根据反向传播算法进行训练，在每一轮迭代时更新参数来减少#loss。

#tf.train.GradientDescentOptimizer(0.5)就是实现上述功能的函数，其中，0.5是人为设置的学#习速率。

train = optimizer.minimize(loss)           

#用上一行代码创建的优化器（即optimizer）来减少loss值。

#optimizer.minimize(loss) 将loss这个变量放到上一行代码中的优化器里。

#实际上，这一行与上一行代码可以拼到一起。也就是说，只用一行代码也可以实现同样的#功能。

#e.g: train = tf.train.GradientDescentOptimizer(0.5).minimize(loss)

#似乎可以通俗地认为，这里将“训练这个神经网络”这一过程，命名为了“train”

 

#到目前为止, 我们只是建立了神经网络的结构, 还没有使用这个结构.

#在使用这个结构之前, 我们必须先初始化所有之前定义的Variable变量

#下一行代码实现了这个任务。

 

init = tf.global_variables_initializer()             

#对之前所定义的Variable变量进行初始化。

#似乎也可以认为，这里将之前创建的Variable变量命名为了init

#创建神经网络结构的代码结束

 

sess = tf.Session()         

#这里创建了一个tf.Session()，并将其命名为“sess”。在下一行代码中，“sess”将被用于对#之前所创建的神经网络结构的初始化。

#tf.Session()  运行Tensorflow操作的类，封装了被执行操作和Tensor计算的环境。

sess.run(init)     

#初始化“init”。通俗地说，run(init)的意思就是“令init可以运行”。

 

for step in range(201):

    sess.run(train)    #初始化“train”。

    if step % 20 == 0:

        print(step,sess.run(Weights),sess.run(biases))   

#每训练20次，打印一遍当前训练次数、权重值、偏置值。

#每一个Variable变量的使用，都必须套上sess.run()。