【IT168 编译】在本文中，我们将使用Python在TensorFlow中实现一个非常基本的程序，以便在实际中看到它。

　　TensorFlow中的计算包含两个阶段：

　　构建计算图

　　运行计算图

　　计算图是之前提到的数据流图。 数据流图的每个节点将有助于评估TensorFlow计算的操作。在TensorFlow中，每个节点将零个或多个张量作为输入，并产生一个张量作为输出。

　　一种类型的节点是不变的，不需要输入，并输出一个内部存储的值。我们来看看如何在TensorFlow中定义一个常量。

　　输出的语句将是：

　　请注意，输出不是9.0或19.0，而是张量对象。这是因为我们只是建立了计算图，但没有运行它。在运行之前，让我们看看上面的输出是什么意思。

　　在Tensor对象中，第一个参数是该张量的名称。名称的Const部分由TensorFlow本身分配给它，而不是程序员明确给出的。生成的名称后面跟着一个：，后面跟着一个数字(在这个例子中是0)。这个数字是正在命名的张量的索引。

　　这意味着，一个节点可以产生多个输出或多个张量。在这种情况下，这个数字将成为输出中每个张量的下标。在这里，虽然只有一个输出，所以张量被赋值为0.如果还有一个输出，则该张量将被赋值为1。

　　第二个参数表示该张量的形状。。第三种类型是张量的数据类型。你可以明确地给它，就像第一个常量做的那样，或者TensorFlow也可以对它进行推断，就像第二个常量那样。

　　如果我们想将9.0和19.0看作输出，我们将不得不实际运行刚刚构建的计算图。要做到这一点，必须创建一个回话对象并调用它的run方法。可以这样做，如下所示：

　　上述代码的输出将是9.0和19.0。

　　现在，添加这两个常量。 添加是一个操作，操作只是TensorFlow中的另一个节点。

　　上述代码的输出为:

　　这里，+只是tf . add()的一个简写。

　　那么，如何将自己的价值观传递给它呢?为了达到这些目的，占位符出现在图片中。占位符是稍后提供一个值的承诺。让我们快速创建两个占位符，并对它们执行操作，以便在操作中方便查看。

　　这里，myValue1和myValue2都是占位符，其值稍后将提供。请注意，这里给出的数据类型是强制的(dtype)。在调用会话对象的run方法时，可以提供占位符的值，如上面的示例所示。这些值是在run方法的feed_dict参数中提供的。因此，上述代码的输出为:

　　但是机器学习的重点是让我们的数据可训练，以便我们可以训练它，根据训练结果对其进行优化，并且实现一个能够在真实数据上几乎工作的模型。

　　那么，如何使我们的数据在TensorFlow中可以训练呢? 为了达到这个目的， 变量允许我们将可训练参数添加到我们的程序中。 变量定义如下：

　　Evey变量被初始化为一个值(在这种情况下为2.0)，并给出一个数据类型是可选的。 但是变量只是用上面的方式定义的;，它尚未初始化。当你调用tf.Variable时，变量不会被初始化。 要初始化TensorFlow程序中的所有变量，必须显式调用一个特殊操作，如下所示：

　　重要的是要认识到init是对初始化所有全局变量的TensorFlow子图的一个句柄。在调用sess. run之前，变量未初始化。

　　输出myVariable = 2.0。 如果我们想改变变量的值，可以使用assign函数，如下所示：

　　(这将输出10.0)

　　好的，现在已经清楚了写一个TensorFlow程序的基本条件，然后采取一个非常简单的例子来实现它。 我们将实施以下模式：

　　我们将为zheg程序提供一些训练数据，即x的某些值和y的所需值，根据训练数据计算W的值，然后提供测试数据以查看结果的精确度测试数据。由于采用了非常简单的模型，因此准确度可以轻松达到100%。 但是，在真实和更复杂的模型中，这几乎不会发生。 但为了理解的目的，可以这样做。

　　由于我们将提供x和y的值，将声明它们为占位符。由于每个输入都必须改变W的值，把它声明为一个具有初始值的变量， 假设1.声明将会是这样的：

　　现在，我们将定义简单的模型如下:

　　现在，为了训练数据并更接近真实模型，我们将不得不编写一个损失函数，然后将其最小化。为了简单起见，我们将平方误差的和作为损失函数。 错误只不过是结果使用我们的模型和期望值(y)之间的差异。

　　然后将对每个输入进行平方，并添加它们。 以下是相同的执行情况：

　　为了简单起见，我们将基于梯度下降优化器的概念(如果你不知道这个问题，请不要担心，请继续阅读)来构建自己的小优化器，以纠正W的值，然后对其进行测试 。

　　要做的就是计算模型的损失，操纵W的价值以最小化损失，检查损失是否减少，并根据损失的结果进一步操纵W的价值。 为这个优化器编写的代码如下所示：

　　可以肯定，损失可以达到0，因为我们使用了一个简单的模型。对于更复杂的模型，可以适当地改变条件。

　　在上面的代码中，加法和减法是用于记忆上一次执行什么操作(加法或减法)的标志。 currentLoss是在循环开始时存储损失函数值的变量，oldLoss是在循环结束时存储损失函数值的变量。这两个变量在循环之间进行比较以检查操作(加法或减法)如何影响损失值，即减小或增加损失值。在此基础上进行进一步的操作。要么W的值减1或增加1.这只是一个示例优化器。优秀的优化器要复杂得多，效率也很高，很多已经在TensorFlow中实现了。这只是一个示例优化器，可能无法完美运行，但是可以给你一个TensorFlow如何工作的概念，这就是文章的主要目标。上面编写的代码在读完之后很容易理解，本文中讨论了代码中使用的所有内容。

　　对于输入，给出了[1,2,3,4]的x和[10,20,30,40]的y(期望值)。所以，可以看到，W的值应该是10.0，我们目前已经初始化为1.0。模型应该使用提供给它的训练数据，并将W从1.0变换到10.0，在测试数据上使用W。

　　要运行程序，必须初始化全局变量，创建一个会话对象，并在全局变量句柄上调用它的run方法，如下所示：

　　到这就基本结束了， 为了检查W的值，我们将在最后放置一个输出语句：

　　这将在运行时输出10.0作为输出。这意味着W的值从1.0更改为10.0。如果我们为模型提供其他数据来检查y的值，那么就应该得到10倍的值。我在代码后面加上三个输出语句检查输出:

　　得到的输出是：

　　正如预期的那，本文是以一种比较简单又容易理解的方式来解释概念。