tensorflow的基本用法(五)——创建神经网络并训练

文章作者：Tyan
博客：noahsnail.com  |  CSDN  |  简书

本文主要是介绍利用tensorflow创建一个简单的神经网络并进行训练。

#!/usr/bin/env python# _*_ coding: utf-8 _*_import tensorflow as tfimport numpy as np# 创建一个神经网络层def add_layer(input, in_size, out_size, activation_function = None):    """    :param input:        神经网络层的输入    :param in_zize:        输入数据的大小    :param out_size:        输出数据的大小    :param activation_function:        神经网络激活函数，默认没有    """    # 定义神经网络的初始化权重    Weights = tf.Variable(tf.random_normal([in_size, out_size]))    # 定义神经网络的偏置    biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)    # 计算w*x+b    W_mul_x_plus_b = tf.matmul(input, Weights) + biases    # 根据是否有激活函数进行处理    if activation_function is None:        output = W_mul_x_plus_b    else:        output = activation_function(W_mul_x_plus_b)    return output# 创建一个具有输入层、隐藏层、输出层的三层神经网络，神经元个数分别为1,10,1# 创建只有一个特征的输入数据，数据数目为300，输入层x_data = np.linspace(-1, 1, 300)[:, np.newaxis]# 创建数据中的噪声noise = np.random.normal(0, 0.05, x_data.shape)# 创建输入数据对应的输出y_data = np.square(x_data) + 1 + noise# 定义输入数据，None是样本数目，表示多少输入数据都行，1是输入数据的特征数目xs = tf.placeholder(tf.float32, [None, 1])# 定义输出数据，与xs同理ys = tf.placeholder(tf.float32, [None, 1])# 定义一个隐藏层hidden_layer = add_layer(xs, 1, 10, activation_function = tf.nn.relu)# 定义输出层prediction = add_layer(hidden_layer, 10, 1, activation_function = None)# 求解神经网络参数# 定义损失函数loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction), reduction_indices = [1]))# 定义训练过程train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)# 变量初始化init = tf.global_variables_initializer()# 定义Sessionsess = tf.Session()# 执行初始化工作sess.run(init)# 进行训练for i in range(1000):    # 执行训练，并传入数据    sess.run(train_step, feed_dict = {xs: x_data, ys: y_data})    if i % 100 == 0:        print sess.run(loss, feed_dict = {xs: x_data, ys: y_data})# 关闭Sessionsess.close()

执行结果如下：

1.067310.01119140.006512290.005301870.004722370.004299480.003998150.003775480.003597140.00345819