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1.0
    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

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。

扫描二维码关注公众号，回复： 10862797 查看本文章

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}))