Попытка написать мою первую программу на питоне. В программе рабочего образца (сценарий), некоторый массив данных определяется следующим образом:Как создать массив в Python
x_data = np.random.rand(100).astype(np.float32)
И когда я впоследствии типа «x_data» в консоли Python, он возвращает
>>> x_data
array([ 0.16771448, 0.55470788, 0.36438608, ..., 0.21685787,
0.14241569, 0.20485006], dtype=float32)
и сценарий работает.
Теперь я хочу использовать свои собственные наборы данных. Пытаюсь заявление как этот
my_data = [1,2,3,4,5]
и заменить использование x_data с my_data, но тогда программа не работает. Я заметил, что когда я типа «my_data» в консоли Python, он возвращает
>>> my_data
[1, 2, 3, 4, 5]
, который отсутствует в части, которые говорят, «массив» и «DTYPE = float32». Я предполагаю, что разница связана с проблемой.
Как я могу объявить набор данных my_data, который будет обрабатываться как x_data, чтобы я мог передавать свои собственные данные в программу?
Я думаю, что это не имеет значения, но вот полный пример сценария, я начал с (который работает):
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]
Я всегда избегал Matlab и Python. Я вырос на C++. Спасибо за быструю помощь! –