吴恩达老师深度学习作业L2W3-TensorFlow教程资源-CSDN文库

共14个文件

h5：10个

py：3个

docx：1个

深度学习

吴恩达

第二课第三周

Tensorflow

需积分: 5 84 浏览量 2022-11-21 08:36:57 上传评论收藏 38.64MB ZIP 举报

资源推荐

资源详情

资源评论

收起资源包目录

【深度学习-吴恩达】作业-L2W3.zip （14个子文件）

【深度学习-吴恩达】作业-L2W3

TensorFlow教程.docx 450KB

L2W3-code

L2W3_01.py 15KB

test.py 554B

tf_utils.py 5KB

datasets

train_signs_1.h5 12.66MB

test_signs.h5 1.41MB

test_signs_1.h5 1.41MB

train_signs_2.h5 12.66MB

train_signs.h5 12.67MB

train_catvnoncat.h5 2.45MB

test_signs_3.h5 1.41MB

test_catvnoncat.h5 602KB

test_signs_2.h5 1.41MB

train_signs_3.h5 12.67MB

TensorFlow 教程

欢迎来到本周的编程作业。到目前为止，你一直使用 numpy 来构建神经网络。现在，我

们将引导你使用深度学习框架，该框架将使你可以更轻松地构建神经网络。TensorFlow，

PaddlePaddle，Torch，Caffe，Keras 等机器学习框架可以极大地加快你的机器学习开发

速度。所有这些框架也都有很多文档，你应该随时阅读学习。在此笔记本中，你将学习在

TensorFlow 中执行以下操作：

� 初始化变量

� 创建自己的会话（session）

� 训练算法

� 实现神经网络

编程框架不仅可以缩短编码时间，而且有时还可以进行优化以加快代码速度。

1 探索 Tensorflow 库

首先，导入库：

In [1]:

cd ../input/deeplearning63290

/home/kesci/input/deeplearning63290

In [2]:

import math

import numpy as np

import h5py

import matplotlib.pyplot as plt

import tensorflow as tf

from tensorflow.python.framework import ops

from tf_utils import load_dataset, random_mini_batches, co

nvert_to_one_hot, predict

%matplotlib inline

np.random.seed(1)

现在，你已经导入了库，我们将引导你完成其不同的应用程序。你将从一个示例开始：计

算一个训练数据的损失。

(1)loss=L(y^,y)=(y^(i)−y(i))2

In [3]:

y_hat = tf.constant(36, name='y_hat') # Define y_

hat constant. Set to 36.

y = tf.constant(39, name='y') # Define y. S

et to 39

loss = tf.Variable((y - y_hat)**2, name='loss') # Create a

variable for the loss

init = tf.global_variables_initializer() # When ini

t is run later (session.run(init)),

# the loss variab

le will be initialized and ready to be computed

with tf.Session() as session: # Create a se

ssion and print the output

session.run(init) # Initializes

the variables

print(session.run(loss)) # Prints the

loss

WARNING:tensorflow:From /opt/conda/lib/python3.6/site-pac

kages/tensorflow/python/framework/op_def_library.py:263:

colocate_with (from tensorflow.python.framework.ops) is de

precated and will be removed in a future version.

Instructions for updating:

Colocations handled automatically by placer.

在 TensorFlow 中编写和运行程序包含以下步骤：

1. 创建尚未执行的张量（变量）。

2. 在这些张量之间编写操作。

3. 初始化张量。

4. 创建一个会话。

5. 运行会话，这将运行你上面编写的操作。

因此，当我们为损失创建变量时，我们仅将损失定义为其他数量的函数，但没有验证其

值。为了验证它，我们必须运行 init = tf.global_variables_initializer（）

初始化损失变量，在最后一行中，我们终于能够验证 loss 的值并打印它。

现在让我们看一个简单的例子。运行下面的单元格：

In [4]:

a = tf.constant(2)

b = tf.constant(10)

c = tf.multiply(a,b)

print(c)

Tensor("Mul:0", shape=(), dtype=int32)

不出所料，看不到结果 20！而是得到一个张量，是一个不具有 shape 属性且类型为

“int32”的张量。你所做的所有操作都已放入“计算图”中，但你尚未运行此计算。为了实际

将两个数字相乘，必须创建一个会话并运行它。

In [5]:

sess = tf.Session()

print(sess.run(c))

Great! 总而言之，记住要初始化变量，创建一个会话并在该会话中运行操作。

接下来，你还必须了解 placeholders(占位符)。占位符是一个对象，你只能稍后指定其

值。

要为占位符指定值，你可以使用"feed dictionary"（feed_dict 变量）传入值。在下面，

我们为 x 创建了一个占位符，以允许我们稍后在运行会话时传递数字。

In [6]:

# Change the value of x in the feed_dict

x = tf.placeholder(tf.int64, name = 'x')

print(sess.run(2 * x, feed_dict = {x: 3}))

sess.close()

当你首次定义 x 时，不必为其指定值。占位符只是一个变量，你在运行会话时才将数据分

配给该变量。也就是说你在运行会话时向这些占位符“提供数据”。

当你指定计算所需的操作时，你在告诉 TensorFlow 如何构造计算图。计算图可以具有一

些占位符，你将在稍后指定它们的值。最后，在运行会话时，你要告诉 TensorFlow 执行

计算图。

1.1 线性函数

让我们开始此编程练习，计算以下方程式：Y=WX+b，其中 W 和 X 是随机矩阵，b 是随机

向量。

练习：计算 WX+b ，其中 W,X 和 b 是从随机正态分布中得到的，W 的维度为（4，3），

X 的维度为（3,1），b 的维度为（4,1）。例如，下面是定义维度为（3,1）的常量 X 的方

法：

X = tf.constant(np.random.randn(3,1), name = "X")

你可能会发现以下函数很有用：

� tf.matmul(..., ...)进行矩阵乘法

� tf.add(..., ...)进行加法

� np.random.randn(...)随机初始化

In [7]:

# GRADED FUNCTION: linear_function

def linear_function():

"""

Implements a linear function:

Initializes W to be a random tensor of shape (4,3

)

Initializes X to be a random tensor of shape (3,1

)

Initializes b to be a random tensor of shape (4,1

)

Returns:

result -- runs the session for Y = WX + b

"""

np.random.seed(1)

### START CODE HERE ### (4 lines of code)

X = tf.constant(np.random.randn(3,1), name = "X")

W = tf.constant(np.random.randn(4,3), name = "W")

b = tf.constant(np.random.randn(4,1), name = "b")

Y = tf.add(tf.matmul(W,X),b)

### END CODE HERE ###

# Create the session using tf.Session() and run it with

sess.run(...) on the variable you want to calculate

### START CODE HERE ###

sess = tf.Session()

result = sess.run(Y)

### END CODE HERE ###

# close the session

sess.close()

return result

In [8]:

print( "result = " + str(linear_function()))

result = [[-2.15657382]

[ 2.95891446]

[-1.08926781]

[-0.84538042]]

预期输出:

result = [[-2.15657382]

[ 2.95891446]

[-1.08926781]

[-0.84538042]]

1.2 计算 Sigmoid

Great！你刚刚实现了线性函数。Tensorflow 提供了各种常用的神经网络函数，例如

tf.sigmoid 和 tf.softmax。对于本练习，让我们计算输入的 sigmoid 函数值。

你将使用占位符变量 x 进行此练习。在运行会话时，应该使用 feed 字典传入输入 z。在本

练习中，你必须：

（i）创建一个占位符 x；

（ii）使用 tf.sigmoid 定义计算 Sigmoid 所需的操作；

（iii）然后运行该会话

练习：实现下面的 Sigmoid 函数。你应该使用以下内容：

� tf.placeholder(tf.float32, name = "...")

� tf.sigmoid(...)

� sess.run(..., feed_dict = {x: z})

注意，在 tensorflow 中创建和使用会话有两种典型的方法：

Method 1:

sess = tf.Session()

# Run the variables initialization (if needed), run the operations

result = sess.run(..., feed_dict = {...})

sess.close() # Close the session

Method 2:

with tf.Session() as sess:

# run the variables initialization (if needed), run the operatio

result = sess.run(..., feed_dict = {...})

# This takes care of closing the session for you :)

In [9]:

# GRADED FUNCTION: sigmoid

def sigmoid(z):

"""

Computes the sigmoid of z

Arguments:

z -- input value, scalar or vector

Returns:

results -- the sigmoid of z

"""

### START CODE HERE ### ( approx. 4 lines of code)

# Create a placeholder for x. Name it 'x'.

x = tf.placeholder(tf.float32, name = "x")

评论收藏

内容反馈

疯狂的小牛

粉丝: 12
资源: 11

吴恩达老师深度学习作业 L2W3-TensorFlow教程

最新资源

吴恩达老师深度学习作业 L2W3-TensorFlow教程

吴恩达 深度学习 作业

吴恩达深度学习作业

吴恩达深度学习课程作业

吴恩达深度学习编程作业

吴恩达课后编程作业】Course 4 - 卷积神经网络 - 第三周作业 - 车辆识别YOLO.zip

吴恩达深度学习 课后作业（1-2） 神经网络

吴恩达深度学习编程练习1-5课附答案

吴恩达 深度学习课后作业系列6

吴恩达Coursera深度学习课程 deeplearning.ai (2-3) TensorFlow Tutorial--作业（可执行源码）

深度学习基础与TensorFlow实践教程

深度学习入门 + TensorFlow官方教程

吴恩达深度学习 编程作业（1-4课）

吴恩达 深度学习 第五课 作业

吴恩达-深度学习-deeplearningai-28张图片总结及PDF

吴恩达Coursera深度学习课程 deeplearning.ai (1-1) 深度学习概论--作业

【中文】【吴恩达课后编程作业】Course 5 - 序列模型 - 第三周作业 - 机器翻译与触发词检测.zip

吴恩达深度学习编程作业（1-3）testCases_v2和planar_utils包

吴恩达深度学习作业代码官方答案.pdf

【深度学习-吴恩达】L2-3 超参数调试 作业 TensorFlow教程

DEEP-LEARNING-WITH-TENSORFLOW:使用TensorFlow教程进行深度学习

吴恩达深度学习作业.zip

加速深度学习任务：TensorFlow GPU 教程

吴恩达深度学习教程ibooks版

深度学习－吴恩达－deeplearning-pdf－文字版

Deep AI 吴恩达深度学习课后检验题-机器学习和神经网络

吴恩达深度学习作业-第一课第二周作业

吴恩达深度学习第二课编程作业（全部）.rar

吴恩达老师深度学习第二课改善深度学习所有作业

最新资源

吴恩达深度学习作业

吴恩达深度学习课后作业（1-2）神经网络

吴恩达深度学习课后作业系列6

吴恩达深度学习编程作业（1-4课）

吴恩达深度学习第五课作业

【深度学习-吴恩达】L2-3 超参数调试作业 TensorFlow教程