在Tensorflow中实现梯度下降法更新参数值
更新时间：2020年01月23日 18:07:20 作者：勿在浮沙筑高台LS
今天小编就为大家分享一篇在Tensorflow中实现梯度下降法更新参数值，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
我就废话不多说了，直接上代码吧！
tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
TensorFlow经过使用梯度下降法对损失函数中的变量进行修改值，默认修改tf.Variable(tf.zeros([784,10]))
为Variable的参数。
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy,var_list=[w,b])
也可以使用var_list参数来定义更新那些参数的值
#导入Minst数据集
import input_data
mnist = input_data.read_data_sets("data",one_hot=True)
#导入tensorflow库
import tensorflow as tf
#输入变量，把28*28的图片变成一维数组（丢失结构信息）
x = tf.placeholder("float",[None,784])
#权重矩阵，把28*28=784的一维输入，变成0-9这10个数字的输出
w = tf.Variable(tf.zeros([784,10]))
#偏置
b = tf.Variable(tf.zeros([10]))
#核心运算，其实就是softmax（x*w+b）
y = tf.nn.softmax(tf.matmul(x,w) + b)
#这个是训练集的正确结果
y_ = tf.placeholder("float",[None,10])
#交叉熵，作为损失函数
cross_entropy = -tf.reduce_sum(y_ * tf.log(y))
#梯度下降算法，最小化交叉熵
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
#初始化，在run之前必须进行的
init = tf.initialize_all_variables()
#创建session以便运算
sess = tf.Session()
sess.run(init)
#迭代1000次
for i in range(1000):
#获取训练数据集的图片输入和正确表示数字
batch_xs, batch_ys = mnist.train.next_batch(100)
#运行刚才建立的梯度下降算法，x赋值为图片输入，y_赋值为正确的表示数字
sess.run(train_step,feed_dict = {x:batch_xs, y_: batch_ys})
#tf.argmax获取最大值的索引。比较运算后的结果和本身结果是否相同。
#这步的结果应该是[1,1,1,1,1,1,1,1,0,1...........1,1,0,1]这种形式。
#1代表正确，0代表错误
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
#tf.cast先将数据转换成float，防止求平均不准确。
#tf.reduce_mean由于只有一个参数，就是上面那个数组的平均值。
accuracy = tf.reduce_mean(tf.cast(correct_prediction,"float"))
#输出
print(sess.run(accuracy,feed_dict={x:mnist.test.images,y_: mnist.test.labels}))
计算结果如下
"C:\Program Files\Anaconda3\python.exe" D:/pycharmprogram/tensorflow_learn/softmax_learn/softmax_learn.py Extracting data\train-images-idx3-ubyte.gz Extracting data\train-labels-idx1-ubyte.gz Extracting data\t10k-images-idx3-ubyte.gz Extracting data\t10k-labels-idx1-ubyte.gz WARNING:tensorflow:From C:\Program Files\Anaconda3\lib\site-packages\tensorflow\python\util\tf_should_use.py:175: initialize_all_variables (from tensorflow.python.ops.variables) is deprecated and will be removed after 2017-03-02. Instructions for updating: Use `tf.global_variables_initializer` instead. 2018-05-14 15:49:45.866600: W C:\tf_jenkins\home\workspace\rel-win\M\windows\PY\35\tensorflow\core\platform\cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX instructions, but these are available on your machine and could speed up CPU computations. 2018-05-14 15:49:45.866600: W C:\tf_jenkins\home\workspace\rel-win\M\windows\PY\35\tensorflow\core\platform\cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX2 instructions, but these are available on your machine and could speed up CPU computations. 0.9163 Process finished with exit code 0
如果限制，只更新参数W查看效果
"C:\Program Files\Anaconda3\python.exe" D:/pycharmprogram/tensorflow_learn/softmax_learn/softmax_learn.py Extracting data\train-images-idx3-ubyte.gz Extracting data\train-labels-idx1-ubyte.gz Extracting data\t10k-images-idx3-ubyte.gz Extracting data\t10k-labels-idx1-ubyte.gz WARNING:tensorflow:From C:\Program Files\Anaconda3\lib\site-packages\tensorflow\python\util\tf_should_use.py:175: initialize_all_variables (from tensorflow.python.ops.variables) is deprecated and will be removed after 2017-03-02. Instructions for updating: Use `tf.global_variables_initializer` instead. 2018-05-14 15:51:08.543600: W C:\tf_jenkins\home\workspace\rel-win\M\windows\PY\35\tensorflow\core\platform\cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX instructions, but these are available on your machine and could speed up CPU computations. 2018-05-14 15:51:08.544600: W C:\tf_jenkins\home\workspace\rel-win\M\windows\PY\35\tensorflow\core\platform\cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX2 instructions, but these are available on your machine and could speed up CPU computations. 0.9187 Process finished with exit code 0
可以看出只修改W对结果影响不大，如果设置只修改b
#导入Minst数据集
import input_data
mnist = input_data.read_data_sets("data",one_hot=True)
#导入tensorflow库
import tensorflow as tf
#输入变量，把28*28的图片变成一维数组（丢失结构信息）
x = tf.placeholder("float",[None,784])
#权重矩阵，把28*28=784的一维输入，变成0-9这10个数字的输出
w = tf.Variable(tf.zeros([784,10]))
#偏置
b = tf.Variable(tf.zeros([10]))
#核心运算，其实就是softmax（x*w+b）
y = tf.nn.softmax(tf.matmul(x,w) + b)
#这个是训练集的正确结果
y_ = tf.placeholder("float",[None,10])
#交叉熵，作为损失函数
cross_entropy = -tf.reduce_sum(y_ * tf.log(y))
#梯度下降算法，最小化交叉熵
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy,var_list=[b])
#初始化，在run之前必须进行的
init = tf.initialize_all_variables()
#创建session以便运算
sess = tf.Session()
sess.run(init)
#迭代1000次
for i in range(1000):
#获取训练数据集的图片输入和正确表示数字
batch_xs, batch_ys = mnist.train.next_batch(100)
#运行刚才建立的梯度下降算法，x赋值为图片输入，y_赋值为正确的表示数字
sess.run(train_step,feed_dict = {x:batch_xs, y_: batch_ys})
#tf.argmax获取最大值的索引。比较运算后的结果和本身结果是否相同。
#这步的结果应该是[1,1,1,1,1,1,1,1,0,1...........1,1,0,1]这种形式。
#1代表正确，0代表错误
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
#tf.cast先将数据转换成float，防止求平均不准确。
#tf.reduce_mean由于只有一个参数，就是上面那个数组的平均值。
accuracy = tf.reduce_mean(tf.cast(correct_prediction,"float"))
#输出
print(sess.run(accuracy,feed_dict={x:mnist.test.images,y_: mnist.test.labels}))
计算结果：
"C:\Program Files\Anaconda3\python.exe" D:/pycharmprogram/tensorflow_learn/softmax_learn/softmax_learn.py Extracting data\train-images-idx3-ubyte.gz Extracting data\train-labels-idx1-ubyte.gz Extracting data\t10k-images-idx3-ubyte.gz Extracting data\t10k-labels-idx1-ubyte.gz WARNING:tensorflow:From C:\Program Files\Anaconda3\lib\site-packages\tensorflow\python\util\tf_should_use.py:175: initialize_all_variables (from tensorflow.python.ops.variables) is deprecated and will be removed after 2017-03-02. Instructions for updating: Use `tf.global_variables_initializer` instead. 2018-05-14 15:52:04.483600: W C:\tf_jenkins\home\workspace\rel-win\M\windows\PY\35\tensorflow\core\platform\cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX instructions, but these are available on your machine and could speed up CPU computations. 2018-05-14 15:52:04.483600: W C:\tf_jenkins\home\workspace\rel-win\M\windows\PY\35\tensorflow\core\platform\cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX2 instructions, but these are available on your machine and could speed up CPU computations. 0.1135 Process finished with exit code 0
如果只更新b那么对效果影响很大。
以上这篇在Tensorflow中实现梯度下降法更新参数值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脚本之家。
相关文章
本文主要介绍了python3里gbk编码的问题解决，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2022-08-08
在Numpy中NaN值一般出现在数据清洗前，出现这个值说明这个数据是缺失的，本文主要介绍了numpy中nan_to_num的具体使用，感兴趣的可以了解一下2022-08-08
在本篇内容中，小编给大家分享的是关于Python标准库模块命名详解内容，有需要的朋友们可以参考下。2020-05-05
正则表达式通常缩写为 regex，是处理文本的有效工具，这篇文章主要来和大家深入探讨一下Python中的RegEx模式匹配，感兴趣的可以了解一下2023-07-07
在Python中,open()函数用于打开文件,并返回一个文件对象,可以使用该对象来读取或写入文件数据,本文主要介绍了python中open用法的使用指南,感兴趣的可以了解一下2023-12-12
Python paramiko 模块浅谈与SSH主要功能模拟解析
这篇文章主要介绍了Python paramiko 模块详解与SSH主要功能模拟,本文通过图文并茂的形式给大家介绍的非常详细，具有一定的参考借鉴价值，需要的朋友可以参考下2020-02-02
map是python内置函数，会根据提供的函数对指定的序列做映射，这篇文章主要介绍了python中的map函数语法详解,本文通过示例代码给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下2022-03-03
这篇文章主要介绍了python使用xauth方式登录饭否网然后发消息示例,需要的朋友可以参考下2014-04-04
这篇文章主要介绍了python中for in的用法详解，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2020-04-04
这篇文章主要介绍了Python中的TfidfVectorizer参数使用解析,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教2023-11-11
最新评论