TensorFlow练习(四)——构造神经网络
来源:互联网 发布:淘宝网商贷款额度 编辑:程序博客网 时间:2024/05/18 00:56
本文介绍怎样建造一个完整的神经网络,包括添加神经层,计算误差,训练步骤,判断是否在学习.
import tensorflow as tfimport numpy as np# 构造添加一个神经层的函数def add_layer(inputs,in_size,out_size,activation_function=None): # 输入值,输入的大小,输出的大小,激励函数 Weights = tf.Variable(tf.random_normal([in_size,out_size])) #定义矩阵 随机变量生成初始的时候会比全0的好 # 定义weights为一个in_size行, out_size列的随机变量矩阵 biases = tf.Variable(tf.zeros([1,out_size]) + 0.1) # 推荐初始值不为0 Wx_plus_b = tf.matmul(inputs,Weights) + biases # 当激励函数为None时,输出就是当前的预测值——Wx_plus_b # 不为None时,就把Wx_plus_b传到activation_function()函数中得到输出。 if activation_function is None: # 线性关系,就不需要再加非线性方程 outputs = Wx_plus_b else: outputs = activation_function(Wx_plus_b) return outputs# 构建所需的数据。 这里的x_data和y_data并不是严格的一元二次函数的关系,因为我们多加了一个noise,这样看起来会更像真实情况。x_data = np.linspace(-1,1,300)[:,np.newaxis] # 加一个维度 转换成300行1列# print(x_data)noise = np.random.normal(0,0.05,x_data.shape) # 期望,方差,格式y_data = np.square(x_data) - 0.5 + noisexs = tf.placeholder(tf.float32,[None,1])ys = tf.placeholder(tf.float32,[None,1])# 利用占位符定义我们所需的神经网络的输入。 tf.placeholder()就是代表占位符,None代表无论输入有多少都可以,因为输入只有一个特征,所以这里是1# 接下来,我们就可以开始定义神经层了。 通常神经层都包括输入层、隐藏层和输出层。这里的输入层只有一个属性, 所以我们就只有一个输入;隐藏层我们可以自己假设,这里我们假设隐藏层有10个神经元; 输出层和输入层的结构是一样的,所以我们的输出层也是只有一层。 所以,我们构建的是——输入层1个、隐藏层10个、输出层1个的神经网络。# 下面,我们开始定义隐藏层,利用之前的add_layer()函数,这里使用 Tensorflow 自带的激励函数tf.nn.relu。l1 = add_layer(xs,1,10,activation_function=tf.nn.relu) # 隐藏层# 接着,定义输出层。此时的输入就是隐藏层的输出——l1,输入有10层(隐藏层的输出层),输出有1层。predition = add_layer(l1,10,1,activation_function=None) # 输出层 输入10层,输出1层# 计算预测值prediction和真实值的误差,对二者差的平方求和再取平均。loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-predition), reduction_indices=[1])) ## tf.train.GradientDescentOptimizer()中的值通常都小于1,这里取的是0.1,代表以0.1的效率来最小化误差loss。train_step = tf.train.GradientDescentOptimizer(0.08).minimize(loss) # 优化器 目标,最小化误差init = tf.global_variables_initializer()sess = tf.Session()sess.run(init)# 我们让机器学习2000次。机器学习的内容是train_step, 用 Session 来 run 每一次 training 的数据,逐步提升神经网络的预测准确性。 (注意:当运算要用到placeholder时,就需要feed_dict这个字典来指定输入。)for i in range(2000): sess.run(train_step,feed_dict={xs:x_data,ys:y_data}) if i % 50 ==0: # 每50步我们输出一下机器学习的误差。 print(sess.run(loss,feed_dict={xs:x_data,ys:y_data}))
学习结果:
可见误差在逐渐减小,说明机器学习还是有效果的。
阅读全文
0 0
- TensorFlow练习(四)——构造神经网络
- TensorFlow练习(二)——搭建神经网络结构
- 初学 Tensorflow (构造神经网络)
- TensorFlow之神经网络练习
- (四)Tensorflow学习之旅——MNIST分类的卷积神经网络CNN示例
- 深入浅出Tensorflow(四):卷积神经网络
- 深入浅出Tensorflow(四):卷积神经网络
- 深入浅出Tensorflow(四):卷积神经网络
- 【TensorFlow】神经网络参数与变量(四)
- tensorflow构造第一个神经网络
- tensorflow构造神经网络拟合数据
- tensorflow笔记(二)之构造一个简单的神经网络
- tensorflow笔记(二)之构造一个简单的神经网络
- TensorFlow练习(一)——TensorFlow简介
- Tensorflow学习之卷积神经网络实现(四)
- TensorFlow学习笔记(4)——深层神经网络
- Tensorflow 构造一个简单的神经网络
- 利用tensorflow构造一个简单的神经网络
- 史上最简单的 SpringCloud 教程 | 终章
- 提交spark任务时报错
- 动态规划
- 屏幕上有个按钮刷新后也去不掉的解决方法。
- HAL库的中断执行步骤--2017-8-30
- TensorFlow练习(四)——构造神经网络
- 不同类之间实现C++回调函数
- Centos查看端口占用情况和开启端口命令
- 静态随机存储器
- Editplus重命名 (保存后) 修改文件名
- D32 SparkStreaming
- 阿里云视频技术专家柿蒂:视频AI in传媒九大业务场景解析
- Ubuntu14.04下安装opencv3.0.0
- JBOSS缓存清除