試圖編寫我的第一個python程序。在一個工作示例程序(腳本)中,數據的某些陣列的定義如下:如何在Python中創建數組
x_data = np.random.rand(100).astype(np.float32)
當我隨後在Python控制檯鍵入「x_data」,則它返回
>>> x_data
array([ 0.16771448, 0.55470788, 0.36438608, ..., 0.21685787,
0.14241569, 0.20485006], dtype=float32)
和腳本作品。
現在我想用我自己的數據集來代替。我正在嘗試這樣的語句
my_data = [1,2,3,4,5]
並將my_data替換爲x_data,但程序無法正常工作。我注意到,當我在Python控制檯鍵入「my_data」,則它返回
>>> my_data
[1, 2, 3, 4, 5]
其缺少說「陣列」和「D類= FLOAT32」部分。我猜測這種差異與問題有關。
如何聲明一個數據集my_data,該數據集將被視爲x_data,這樣我可以將自己的數據輸入到程序中?
我認爲這是無關緊要的,但這裏是完整的示例腳本,我從開始(工作):
import tensorflow as tf
import numpy as np
# Create 100 phony x, y data points in NumPy, y = x * 0.1 + 0.3
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data * 0.1 + 0.3
# Try to find values for W and b that compute y_data = W * x_data + b
# (We know that W should be 0.1 and b 0.3, but TensorFlow will
# figure that out for us.)
W = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
b = tf.Variable(tf.zeros([1]))
y = W * x_data + b
# Minimize the mean squared errors.
loss = tf.reduce_mean(tf.square(y - y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)
# Before starting, initialize the variables. We will 'run' this first.
init = tf.global_variables_initializer()
# Launch the graph.
sess = tf.Session()
sess.run(init)
# Fit the line.
for step in range(201):
sess.run(train)
if step % 20 == 0:
print(step, sess.run(W), sess.run(b))
# Learns best fit is W: [0.1], b: [0.3]
我一直避免Matlab和Python的。我在C++上長大。感謝您的快速幫助! –