建造神经网络
来源:互联网 发布:java在线直播平台源码 编辑:程序博客网 时间:2024/04/27 19:13
add_layer 功能
首先,我们导入本次所需的模块。
import tensorflow as tfimport numpy as np
构造添加一个神经层的函数。(在上次课程中有详细介绍)
def add_layer(inputs, in_size, out_size, activation_function=None): 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
导入数据
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, dtype=np.float32)[:, np.newaxis]noise = np.random.normal(0, 0.05, x_data.shape).astype(np.float32)y_data = np.square(x_data) - 0.5 + noise
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,这里的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
。
xs = tf.placeholder(tf.float32, [None, 1])ys = tf.placeholder(tf.float32, [None, 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。
搭建网络
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)
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。
prediction = add_layer(l1, 10, 1, activation_function=None)
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 - prediction), reduction_indices=[1]))
接下来,是很关键的一步,如何让机器学习提升它的准确率。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(0.1).minimize(loss)
使用变量时,都要对它进行初始化,这是必不可少的。
# init = tf.initialize_all_variables() # tf 马上就要废弃这种写法init = tf.global_variables_initializer() # 替换成这样就好
定义Session
,并用 Session
来执行 init
初始化步骤。 (注意:在tensorflow
中,只有session.run()
才会执行我们定义的运算。)
sess = tf.Session()sess.run(init)
训练
下面,让机器开始学习。
比如这里,我们让机器学习1000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(1000): # training sess.run(train_step, feed_dict={xs: x_data, ys: y_data})
每50步我们输出一下机器学习的误差。
if i % 50 == 0: # to see the step improvement print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))
在电脑上运行本次代码的结果为:
通过上图可以看出,误差在逐渐减小,这说明机器学习是有积极的效果的。
- 建造神经网络
- TensorFlow教程 3 建造神经网络
- Tensorflow进行简单的神经网络的尝试(建造神经网络)
- 神经网络
- 神经网络
- 神经网络
- 神经网络
- 神经网络
- 神经网络
- 神经网络
- 神经网络
- 神经网络
- 神经网络
- 神经网络
- 神经网络
- 神经网络
- 神经网络
- 神经网络
- java棋盘图案
- 方法finalizer()的应用
- Docker-note 从入门到
- 从注解和JAVA配置的角度看Spring
- 详解 Java 中的访问控制修饰符(public, protected, default, private)
- 建造神经网络
- Linux C语言删除文件
- 第8章任务1:从键盘输入数据并显示
- ruby中的整数、浮点数、字符串之间的相互转换
- 输出1到n之间的所有数的平方和立方
- 日常记录链接
- C Primer Plus
- 数据结构—Hashtable(闭散列)
- python list转numpy 仍然有list