TensorFlow练习（四）——构造神经网络

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。