TensorFlow代碼幫助 - 入門示例

Question

我需要某人的幫助才能向我解釋下面的代碼。我有點新TensorFlow，但我在下面

import tensorflow as tf 

# Model parameters 
#Why are variables initialize with .3 and -.3 
W = tf.Variable([.3], dtype=tf.float32) 
b = tf.Variable([-.3], dtype=tf.float32) 

中的代碼中定義的特定問題，什麼是X，B，W和Y變量代表什麼？

# Model input and output 
x = tf.placeholder(tf.float32) # this is the input 
linear_model = W * x + b  # this is the linear_model operation 
y = tf.placeholder(tf.float32) # Is this the output we're trying to predict. 

爲什麼代碼將參數值0.01傳遞給GradientDescentOptimizer函數？

# loss - measure how far apart the current model is from the provided data. 
loss = tf.reduce_sum(tf.square(linear_model - y)) # sum of the squares 
# optimizer 
optimizer = tf.train.GradientDescentOptimizer(0.01) # Why are we passing the value '0.01' 
train = optimizer.minimize(loss) 

y_train在這裏代表什麼？

# training data 
x_train = [1, 2, 3, 4] # the input variables we know 
y_train = [0, -1, -2, -3] # 

# training loop 
init = tf.global_variables_initializer() # init is a handle to the TensorFlow sub-graph that initializes all the global variables. Until we call sess.run, the variables are unitialized 
sess = tf.Session() # Sesson encapsulates the control and state of the TensorFlow runtime. ITs used to evaluate the nodes, we must run the computational graph within a session 
sess.run(init) # reset values to wrong 
for i in range(1000): 
    sess.run(train, {x: x_train, y: y_train}) 

這裏的變量curr_W，curr_b代表什麼？

# evaluate training accuracy 
# Why does the variables W and b represent? 
curr_W, curr_b, curr_loss = sess.run([W, b, loss], {x: x_train, y: y_train}) 
print("W: %s b: %s loss: %s"%(curr_W, curr_b, curr_loss)) 

的代碼示例來自Tensorflow網站：https://www.tensorflow.org/get_started/get_started#complete_program

Answer 1

x，b，W和y變量代表什麼？

這些是模型將要使用的符號變量 - 輸入，輸出和神經網絡參數。 x和y是數據，它們不會更改，這就是爲什麼它們被定義爲tf.placeholder。 W和y是可學習的參數（在TF術語可訓練的）。初始值不如這些參數的尺寸重要（實際上，not exactly，但這是一個高級主題）。在此示例中，W和b都是一維的，但通常W是矩陣，而b是矢量。

在一起，所有定義的變量形成所謂的計算圖。

爲什麼代碼傳遞參數值爲0.01到 GradientDescentOptimizer函數？

這是的學習率。簡而言之，引擎在優化目標函數loss時所採用的步長。學習率通常接近0，但確切的價值取決於許多因素。實際上，這是研究人工嘗試的常用超參數之一。 0.01似乎是一個很好的起點，因爲它在很多情況下足夠好。

y_train在這裏代表什麼？

x_trainy_train和是訓練數據中，第一個是輸入，而第二個是預期的標籤。在這種情況下，您告訴輸入1應該導致結果0，輸入2到1等等。希望網絡能夠從這4個例子中找出它應該學習一個「減1」的操作（注意：神經網絡只是一個完美匹配的線性模型）。它被稱爲監督學習。

這裏的變量curr_W，curr_b代表什麼？

首先，注意curr_W和curr_b都是普通的Python變量，而W和b是象徵性的變量。符號變量定義了您的計算組織方式，並在訓練過程中採用不同的值。 curr_W和curr_b只是這些值之後的一些迭代。基本上，您可以拍攝模型的快照並將其打印出來，以查看神經網絡學到了什麼。結果值-1和1（幾乎）表示神經網絡成功地進行線性變換。

Answer 2

什麼是X，B，W和Y變量代表什麼？

x是輸入，b是這些輸入的偏差，W是這些輸入的權重矩陣，y是這些輸入的目標值。

要訓練一個像這樣的監督學習模型，您需要一些訓練數據。你的是這樣的：

# training data 
x_train = [1, 2, 3, 4] # the input variables we know 
y_train = [0, -1, -2, -3] # 

y_train是對應於輸入值[1,2,3,4]的目標值。

curr_W, curr_b 

分別是您的模型在當前的一輪訓練後的權重和偏差。