第二个tensorflow程序：熟悉基本操作(报错未改错成功，换了TensorFlow版本就不报错了)

原文地址

注：使用tensorflow2.0.0

介绍

若直接按照原文操作会有一些错误，现总结如下：

报错１(已改正)：

W = tf.Variable(tf.random_uniform([1,2],-1.0,1.0))

 1.AttributeError: module 'tensorflow' has no attribute 'random_uniform'

1.将’random_uniform’改为’random.uniform’即可正确运行

报错２.1：

optimizer = tf.train.GradientDescentOptimizer(0.5)

2.1 AttributeError: module 'tensorflow_core._api.v2.train' has no attribute 'GradientDescentOptimizer'

2.改为：optimizer =　optimizer = tf.compat.v1.train.GradientDescentOptimizer(0.5)
参考手册

报错3.1(未改正)：

train = optimizer.minimize(loss)

3.1 RuntimeError:`loss` passed to Optimizer.compute_gradients should be a function when eager execution is enabled.

对错误2.1转为另一改错方式

改为：optimizer = tf.keras.optimizers.SGD(0.5)

向下运行报错3.2(未改正)：

train = optimizer.minimize(loss)

3.2 TypeError: minimize() missing 1 required positional argument: 'var_list'

改不动了，所参考的原文绝对不是tensorflow2.0版本的，目前水平太浅，阅读API文档
并看不太明白，无法改正，后续有新的发现再改正吧。

以下是目前仍然在报错的代码

#忽略因为下面问题而造成的提示： CPU支持AVX AVX2 （可以加速CPU计算），但安装的TensorFlow 版本不支持
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

import tensorflow as tf
import numpy as np

#使用NumPy 生成假数据(phony data),总共100 个点

x_data = np.float32(np.random.rand(2,100)) #随机输入
y_data = np.dot([0.100,0.200],x_data)+0.300

#构造一个线性模型

b = tf.Variable(tf.zeros([1]))
W = tf.Variable(tf.random.uniform([1,2],-1.0,1.0))
y = tf.matmul(W,x_data) + b


#最小化方差
loss =  tf.reduce._mean(tf.square(y - y_data))
optimizer = tf.keras.optimizers.SGD(0.5)
train = optimizer.minimize(loss)

#初始化变量
init = tf.initialize_all_variables()

#启动图(graph)
sess = tf.Sesion()
sess.run(init)

#拟合平面
for step in xrange(0,201):
    sess.run(train)
    if step % 20 == 0:
        print(step,sess.run(W),sess.run(b))

20191006 14:50 手打(文字＋代码)　完

2020年2月11更新

**重点就是换了版本 python == 3.5，tensorflow==1.10.0 **

运行原文的代码，就没报错了

import tensorflow as tf
import numpy as np

# 使用 NumPy 生成假数据(phony data), 总共 100 个点.
from numpy.core.tests.test_mem_overlap import xrange

x_data = np.float32(np.random.rand(2, 100)) # 随机输入
y_data = np.dot([0.100, 0.200], x_data) + 0.300

# 构造一个线性模型
#
b = tf.Variable(tf.zeros([1]))
W = tf.Variable(tf.random_uniform([1, 2], -1.0, 1.0))
y = tf.matmul(W, x_data) + b

# 最小化方差
loss = tf.reduce_mean(tf.square(y - y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)

# 初始化变量
init = tf.initialize_all_variables()

# 启动图 (graph)
sess = tf.Session()
sess.run(init)

# 拟合平面
for step in xrange(0, 201):
    sess.run(train)
    if step % 20 == 0:
        print(step, sess.run(W), sess.run(b))

结果如下：

0 [[ 0.93827575 -0.24609241]] [0.17174792]
20 [[0.31356266 0.12710178]] [0.22521842]
40 [[0.1586716  0.19109325]] [0.2738078]
60 [[0.11661644 0.19975531]] [0.29142526]
80 [[0.1048079  0.20038176]] [0.2972891]
100 [[0.10141139 0.20020008]] [0.2991595]
120 [[0.10041827 0.20007616]] [0.29974234]
140 [[0.10012472 0.20002592]] [0.29992154]
160 [[0.10003734 0.20000836]] [0.2999762]
180 [[0.10001118 0.20000261]] [0.2999928]
200 [[0.10000336 0.20000082]] [0.29999784]