莫煩的代碼第4行是tf.mul但是目前版本沒有這個函數了，改成了tf.multiply（表示兩個數相乘） feed_dict這個很好的解決了先構建模型再去輸入值得問題 import tensorflow as tf input1=tf.placeholder(tf.float32) input2=tf.placeholder(tf.float32) output=tf.multiply(input1,input2) with tf.Session() as sess:print(sess.run(output,feed_dict={input1:[7.],input2:[2]}))

??

沒調通

import tensorflow as tf import numpy as np def add_layer(intput,insize,outsize,activative):Weight=tf.Variable(tf.random_normal([insize,outsize]))Biase=tf.Variable(tf.zeros([1,outsize])+0.1)#設置baise的值全為0.1Wx_plus_b=tf.matmul(input,Weight)+Biaseif activative is None:outputs=Wx_plus_belse:outputs=activative(Wx_plus_b)return outputs x_data=np.linspace(-1,1,300)[:,np.newaxis]#np.linspace創建等差數列，間隔是300[:,np.newaxis]的作用是將此數列變成稱300*1的列向量 #加上噪聲 xs=tf.placeholder(tf.float32,[None,1]) ys=tf.placeholder(tf.float32,[None,1]) noise=np.random.normal(0,0.05,x_data.shape)#均值是0，方差是0.05，格式與x_data一樣 y_data=np.square(x_data)-0.5 print (x_data) l1=add_layer(xs,1,10,activative=tf.nn.relu)#構建網絡 predition=add_layer(l1,10,1,activative=tf.nn.sigmoid) loss=tf.reduce_mean(tf.reduce_sum(tf.square(ys-predition),reduction_indices=[1]))#reduction_indices是將其壓縮成一維的 train_step=tf.train.GradientDescentOptimizer(0.05).minimize(loss) init=tf.global_variables_initializer() with tf.Session as sess:sess.run(init)for i in range(1000):sess.run(train_step,feed_dict={xs:x_data,ys:y_data})if(i%20==0):print(sess.run(loss,feed_dict={xs:x_data,ys:y_data}))

總結

以上是生活随笔為你收集整理的莫烦 Tensorflow的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。