TensorFlow中有如下几种定义输入节点的方法。

通过占位符定义：一般使用这种方式。

通过字典类型定义：一般用于输入比较多的情况。

直接定义：一般很少使用。

一 占位符定义

示例：

具体使用tf.placeholder函数，代码如下：

X = tf.placeholder("float")Y = tf.placeholder("float")

二 字典类型定义

1 实例

通过字典类型定义输入节点

2 关键代码

# 创建模型# 占位符inputdict = { 'x': tf.placeholder("float"), 'y': tf.placeholder("float")}

3 解释

通过字典定义的方式和第一种比较像，只不过是堆叠到一起。

4 全部代码

import tensorflow as tfimport numpy as npimport matplotlib.pyplot as pltplotdata = { "batchsize":[], "loss":[] }def moving_average(a, w=10): if len(a) < w: return a[:] return [val if idx < w else sum(a[(idx-w):idx])/w for idx, val in enumerate(a)]#生成模拟数据train_X = np.linspace(-1, 1, 100)train_Y = 2 * train_X + np.random.randn(*train_X.shape) * 0.3 # y=2x，但是加入了噪声#图形显示plt.plot(train_X, train_Y, 'ro', label='Original data')plt.legend()plt.show()# 创建模型# 占位符inputdict = { 'x': tf.placeholder("float"), 'y': tf.placeholder("float")}# 模型参数W = tf.Variable(tf.random_normal([1]), name="weight")b = tf.Variable(tf.zeros([1]), name="bias")# 前向结构z = tf.multiply(inputdict['x'], W)+ b#反向优化cost =tf.reduce_mean( tf.square(inputdict['y'] - z))learning_rate = 0.01optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost) #Gradient descent# 初始化变量init = tf.global_variables_initializer()#参数设置training_epochs = 20display_step = 2# 启动sessionwith tf.Session() as sess: sess.run(init) # Fit all training data for epoch in range(training_epochs): for (x, y) in zip(train_X, train_Y): sess.run(optimizer, feed_dict={inputdict['x']: x, inputdict['y']: y}) #显示训练中的详细信息 if epoch % display_step == 0: loss = sess.run(cost, feed_dict={inputdict['x']: train_X, inputdict['y']:train_Y}) print ("Epoch:", epoch+1, "cost=", loss,"W=", sess.run(W), "b=", sess.run(b)) if not (loss == "NA" ): plotdata["batchsize"].append(epoch) plotdata["loss"].append(loss) print (" Finished!") print ("cost=", sess.run(cost, feed_dict={inputdict['x']: train_X, inputdict['y']: train_Y}), "W=", sess.run(W), "b=", sess.run(b)) #图形显示 plt.plot(train_X, train_Y, 'ro', label='Original data') plt.plot(train_X, sess.run(W) * train_X + sess.run(b), label='Fitted line') plt.legend() plt.show() plotdata["avgloss"] = moving_average(plotdata["loss"]) plt.figure(1) plt.subplot(211) plt.plot(plotdata["batchsize"], plotdata["avgloss"], 'b--') plt.xlabel('Minibatch number') plt.ylabel('Loss') plt.title('Minibatch run vs. Training loss') plt.show() print ("x=0.2，z=", sess.run(z, feed_dict={inputdict['x']: 0.2}))

5 运行结果

三 直接定义

1 实例

直接定义输入结果

2 解释

直接定义：将定义好的Python变量直接放到OP节点中参与输入的运算，将模拟数据的变量直接放到模型中训练。

3 代码

import tensorflow as tfimport numpy as npimport matplotlib.pyplot as plt#生成模拟数据train_X =np.float32( np.linspace(-1, 1, 100))train_Y = 2 * train_X + np.random.randn(*train_X.shape) * 0.3 # y=2x，但是加入了噪声#图形显示plt.plot(train_X, train_Y, 'ro', label='Original data')plt.legend()plt.show()# 创建模型# 模型参数W = tf.Variable(tf.random_normal([1]), name="weight")b = tf.Variable(tf.zeros([1]), name="bias")# 前向结构z = tf.multiply(W, train_X)+ b#反向优化cost =tf.reduce_mean( tf.square(train_Y - z))learning_rate = 0.01optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost) #Gradient descent# 初始化变量init = tf.global_variables_initializer()#参数设置training_epochs = 20display_step = 2# 启动sessionwith tf.Session() as sess: sess.run(init) # Fit all training data for epoch in range(training_epochs): for (x, y) in zip(train_X, train_Y): sess.run(optimizer) #显示训练中的详细信息 if epoch % display_step == 0: loss = sess.run(cost) print ("Epoch:", epoch+1, "cost=", loss,"W=", sess.run(W), "b=", sess.run(b)) print (" Finished!") print ("cost=", sess.run(cost), "W=", sess.run(W), "b=", sess.run(b))

4 运行结果

以上这篇如何定义TensorFlow输入节点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。