Tensorflow——构造神经网络
1.前言
这次将用代码展示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.
2.构造神经网络
2.1.导入模块
import tensorflow as tf
import numpy as np
2.2.构造添加一个神经层的函数
def add_layer(inputs, in_size, out_size, activation_function=None):Weights = tf.Variable(tf.random_normal([in_size, out_size])) # [in_size, out_size]: 输出张量的形状 mean: 正态分布的均值,默认为0,stddev: 正态分布的标准差,默认为1.0biases = tf.Variable(tf.zeros([1,out_size])+0.1)Wx_plus_b = tf.matmul(inputs,Weights) + biasesif activation_function is None:outputs = Wx_plus_belse:outputs = activation_function(Wx_plus_b)return outputs
2.3.构造数据
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)[:,np.newaxis] #300行1列
noise = np.random.normal(0,0.05,x_data.shape) #np.random.normal参数:均值、方差、输出的形状
y_data = np.square(x_data) - 0.5 + noise #np.square(x):计算数组各元素的平方
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]) #此函数可以理解为形参,用于定义过程,在执行的时候再赋具体的值
ys = tf.placeholder(tf.float32,[None,1]) #[None, 1]表示列是1,行不定
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。
2.4.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。
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。
#搭建网络
l1 = add_layer(xs,1,10,activation_function=tf.nn.relu)
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) #对所有步骤中的所有变量使用恒定的学习率
使用变量时,都要对它进行初始化,这是必不可少的
init = tf.global_variables_initializer()
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)
2.5.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):sess.run(train_step, feed_dict={xs:x_data,ys:y_data})if i%50==0:print(sess.run(loss,feed_dict={xs:x_data,ys:y_data}))
Tensorflow——构造神经网络相关推荐
- Tensorflow实现神经网络及实现多层神经网络进行时装分类
Tensorflow实现神经网络及实现多层神经网络进行时装分类 1. tf.keras构建模型训练评估测试API介绍 import tensorflow as tf from tensorflow i ...
- 利用TensorFlow和神经网络来处理文本分类问题
利用TensorFlow和神经网络来处理文本分类问题 By 机器之心2017年8月23日 10:33 在这篇文章中,机器之心海外分析师对Medium(链接见文后)上的一篇热门博客进行了介绍,讨论了六个 ...
- tensorflow训练神经网络时loss出现nan的问题
tensorflow训练神经网络时loss出现nan的问题 一般情况下原因是由于优化器上的学习比率learning_rate定义值太大,如: train_step = tf.compat.v1.tra ...
- TensorFlow 卷积神经网络实用指南 | iBooker·ApacheCN
原文:Hands-On Convolutional Neural Networks with TensorFlow 协议:CC BY-NC-SA 4.0 自豪地采用谷歌翻译 不要担心自己的形象,只关心 ...
- TensorFlow 卷积神经网络之猫狗识别(二)
本文是TensorFlow 卷积神经网络之猫狗识别 的姊妹篇,是加载上一篇博客训练好的模型,进行猫狗识别 本文逻辑: 我从网上下载了十几张猫和狗的图片,用于检验我们训练好的模型. 处理我们下载的图片 ...
- Python搭建tensorflow三层神经网络
Python搭建tensorflow三层神经网络的小例子 import tensorflow as tf import numpy as np import matplotlib.pyplot as ...
- 常用激活函数--小白角度 TensorFlow 机器学习 神经网络 选取
常用激活函数--小白角度TensorFlow 机器学习 神经网络 选取 先简单介绍一下激活函数 常用激活函数review 1.阶跃函数 2.Sigmoid函数(logistic函数) 3.Hyperb ...
- Tensorflow让神经网络自动创造音乐
偶然在网上看到了一个让我很感兴趣的项目 Magenta,用Tensorflow让神经网络自动创造音乐. 白话就是:可以用一些音乐的风格来制作模型,然后用训练出的模型对新的音乐进行加工从而创造出新的音乐 ...
- 一个基于Tensorflow的神经网络机器翻译系统
一个基于Tensorflow的神经网络机器翻译系统 Github地址:https://github.com/zhaocq-nlp/NJUNMT-tf 系统完全基于Tensorflow最基本的array ...
最新文章
- 学习使用Bing Maps Silverlight Control(一):准备和新建
- 之前写的 JSX 的条件语句竟然存在那么多 Bug?
- wordcloud词云使用方法
- 数据安全,配置先行;如何检查,SQL 评估 API
- Python 测试驱动开发读书笔记(准备工作)安装软件
- atomQQ 笔记 之 列表元素的异步加载
- 第 39 级台阶 蓝桥杯
- python读取lmdb文件_LMDB文件读取器
- 基于opencv的简单数字识别
- 尾气冒黑烟是什么问题_尾气冒黑烟是坏了?教你通过尾气辨别爱车是否故障!...
- 长沙博物馆 乐在其中,思在其中
- 路由器与服务器延迟过高,路由器延迟高什么原因(图文)
- 《股票魔法师》第3-5章读书分享
- 「表白神器」Python超火隐藏表白图 你能看出来吗?「附源码」
- 使用ViKey加密狗实现Windows登陆的方法
- 阿里巴巴Java开发手册 (Alibaba Java Coding Guidelines)
- js删除数组对象中的某个属性的方法
- 【pytorch】深度学习所需算力估算:flops及模型参数量
- 应急管理场景中的手机信令数据应用探索
- 佛教与茶文化、茶道与茶经
热门文章
- 《强化学习》中的第14章:心理学
- [转]busybox登陆后没要求输入密码的解决办法
- ECSHOP的订单状态在数据库中的表现(order_status, shipping_status, pay_status)
- android 更新适配器,android – 当适配器数据更改时更新列表视图
- docker启动tomcat容器并添置项目首页
- 访问某个xml的url并将网页转成字节流
- Oracle基于时间点的恢复(转载)
- Hibernate多表关联查询记录映射
- ×××,专线,BACKUP
- 2020-09-08 Win7-Win10内部版本号