tensorflow建立一个简单的神经网络的方法

发布时间：2020-12-17 07:27:55 所属栏目：Python 来源：网络整理

导读：本笔记目的是通过tensorflow实现一个两层的神经网络。目的是实现一个二次函数的拟合。如何添加一层网络代码如下： def add_layer(inputs,in_size,out_size,activation_function=None): # add one more layer and return the output of this layer Weights

本笔记目的是通过tensorflow实现一个两层的神经网络。目的是实现一个二次函数的拟合。

如何添加一层网络

代码如下：

def add_layer(inputs,in_size,out_size,activation_function=None):
  # add one more layer and return the output of this layer
  Weights = tf.Variable(tf.random_normal([in_size,out_size]))
  biases = tf.Variable(tf.zeros([1,out_size]) + 0.1)
  Wx_plus_b = tf.matmul(inputs,Weights) + biases
  if activation_function is None:
    outputs = Wx_plus_b
  else:
    outputs = activation_function(Wx_plus_b)
  return outputs

注意该函数中是xW+b，而不是Wx+b。所以要注意乘法的顺序。x应该定义为[类别数量，数据数量]， W定义为[数据类别，类别数量]。

创建一些数据

# Make up some real data
x_data = np.linspace(-1,1,300)[:,np.newaxis]
noise = np.random.normal(0,0.05,x_data.shape)
y_data = np.square(x_data) - 0.5 + noise

numpy的linspace函数能够产生等差数列。start,stop决定等差数列的起止值。endpoint参数指定包不包括终点值。

numpy.linspace(start,stop,num=50,endpoint=True,retstep=False,dtype=None)[source] 
Return evenly spaced numbers over a specified interval. 
Returns num evenly spaced samples,calculated over the interval [start,stop].

noise函数为添加噪声所用，这样二次函数的点不会与二次函数曲线完全重合。

numpy的newaxis可以新增一个维度而不需要重新创建相应的shape在赋值，非常方便，如上面的例子中就将x_data从一维变成了二维。

添加占位符，用作输入

# define placeholder for inputs to network
xs = tf.placeholder(tf.float32,[None,1])
ys = tf.placeholder(tf.float32,1])

添加隐藏层和输出层

# add hidden layer
l1 = add_layer(xs,10,activation_function=tf.nn.relu)
# add output layer
prediction = add_layer(l1,activation_function=None)

计算误差，并用梯度下降使得误差最小

# the error between prediciton and real data
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),reduction_indices=[1]))
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

完整代码如下：

from __future__ import print_function
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

def add_layer(inputs,Weights) + biases
  if activation_function is None:
    outputs = Wx_plus_b
  else:
    outputs = activation_function(Wx_plus_b)
  return outputs

# Make up some real data
x_data = np.linspace(-1,x_data.shape)
y_data = np.square(x_data) - 0.5 + noise

# define placeholder for inputs to network
xs = tf.placeholder(tf.float32,1])
# add hidden layer
l1 = add_layer(xs,activation_function=None)

# the error between prediciton and real data
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),reduction_indices=[1]))
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

# important step
init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)

# plot the real data
fig = plt.figure()
ax = fig.add_subplot(1,1)
ax.scatter(x_data,y_data)
plt.ion()
plt.show()

for i in range(1000):
  # training
  sess.run(train_step,feed_dict={xs: x_data,ys: y_data})
  if i % 50 == 0:
    # to visualize the result and improvement
    try:
      ax.lines.remove(lines[0])
    except Exception:
      pass
    prediction_value = sess.run(prediction,feed_dict={xs: x_data})
    # plot the prediction
    lines = ax.plot(x_data,prediction_value,'r-',lw=5)
    plt.pause(0.1)

运行结果：

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持编程小技巧。

您可能感兴趣的文章:

TensorFlow 实战之实现卷积神经网络的实例讲解
tensorflow入门之训练简单的神经网络方法

（编辑：李大同）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!