TensorFlow - 梯度下降优化

TensorFlow梯度下降优化 - 从简单和简单的步骤学习TensorFlow，从基本到高级概念，包括简介，安装，理解人工智能，数学基础，机器学习和深度学习，基础知识，卷积神经网络，递归神经网络，TensorBoard可视化，单词嵌入，单层感知器，线性回归，TFLearn及其安装，CNN和RNN差异，Keras，分布式计算，TensorFlow导出，多层感知器学习，感知器隐藏层，TensorFlow中的优化器，XOR实现，梯度下降优化，形成图，使用TensorFlow的图像识别，神经网络训练的建议。

梯度下降优化被认为是数据科学中的一个重要概念.

考虑下面显示的步骤，以了解梯度下降优化的实现 :

步骤1

包含必要的模块和x和y变量的声明，我们将通过它来定义梯度下降优化.

import tensorflow as tfx = tf.Variable(2, name = 'x', dtype = tf.float32)log_x = tf.log(x)log_x_squared = tf.square(log_x)optimizer = tf.train.GradientDescentOptimizer(0.5)train = optimizer.minimize(log_x_squared)

步骤2

初始化必要的变量并调用优化器来定义和调用相应的函数.

init = tf.initialize_all_variables()def optimize():   with tf.Session() as session:      session.run(init)      print("starting at", "x:", session.run(x), "log(x)^2:", session.run(log_x_squared))            for step in range(10):         session.run(train)         print("step", step, "x:", session.run(x), "log(x)^2:", session.run(log_x_squared))optimize()

上面的代码行生成一个输出，如图所示下面的屏幕截图 :

初始化变量

我们可以看到必要的时期和迭代计算如输出中所示.