人工智能实践:Tensorflow笔记(二)：TensorFlow框架

1、使用Tensorflow搭建神经网络时，通常用张量表示数据，用计算图搭建神经网络，用会话执行计算图，再优化神经网络的参数（权重），获得更准确的模型

2、张量与计算图

张量（tensor）：多维数组（列表）

阶：张量的维数
0阶张量就是标量

判断张量是几阶的，就可以看方括号有几个，n个就是n阶

张量可以表示0阶到n阶数组（列表）

表示result是一个名叫add:0的张量，是一个长度为2的一维数组，数据类型是浮点型的

这段代码所描述的就是一段计算过程，就是一张计算图
输出内容只显示出结果是个张量，并没有运算张量具体的值

计算图只描述了计算过程，不计算运算结果

3、计算图的定义

计算图（Graph）：搭建神经网络的计算过程，只搭建，不运算（是承载一个或多个计算节点的一张图）

神经网络的基本单元是神经元，上图就是神经元的基本模型，其实就是数学里的乘加运算，x1、x2是输入，w1、w2是权重

实现：

即：

输出的结果显示y是个张量，只搭建了承载计算过程的计算图，并没有运算。如果想得到运算结果，就要用到会话了
import tensorflow as tf
x = tf.constant([[1.0, 2.0]])  #1行2列的张量
w = tf.constant([[3.0], [4.0]])  #2行1列的张量
y = tf.matmul(x,w)
y
4、会话

会话（session）：执行计算图中的节点运算

用with结构实现:

with tf.Session() as sess:

print sess.run(y)
import tensorflow as tf
x = tf.constant([[1.0, 2.0]])  #1行2列的张量
w = tf.constant([[3.0], [4.0]])  #2行1列的张量
y = tf.matmul(x,w)
y
with tf.Session() as sess:
    print(sess.run(y))
5、神经网络的参数是指神经元线上的权重W，用变量表示，一般会先随机生成这些参数

随机种子如果去掉，每次生成的随机数将不一致。

标准差、均值、随机种子如果没有特殊要求，是可以不写的

tf.random_normal也可以用生成常量的函数来替换

6、神经网络的实现过程

①准备数据集，提取特征，作为输入喂给神经网络（Neural Network,NN）

②搭建神经网络结构，从输入到输出（先搭建计算图，再用会话执行）

（NN前向传播算法——>计算输出）

③大量特征喂给神经网络，得到大量输出，将每一次输出与标准答案的差反向传回神经网络，调整神经网络的参数，直到模型达到要求，即迭代优化神经网络参数

（NN反向传播算法——>优化参数训练模型）

④使用训练好的模型预测和分类（将新数据送入前向传播网络便可以实现预测和分类了）

①②③是训练过程，④是使用过程

7、前向传播

用tensorflow描述

8、代码实现实例①
#两层简单神经网络（全连接）

import tensorflow as tf

#定义输入和参数
x = tf.constant([[0.7, 0.5]])  #一组体积和重量，用一行两列的二维张量表示
w1 = tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))
w2 = tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))

#定义前向传播过程
a = tf.matmul(x,w1)
y = tf.matmul(a,w2)
#到这神经网络的架构就构建好了


#用会话计算结果
with tf.Session() as sess:
    init_op = tf.global_variables_initializer()
    sess.run(init_op)
    print(sess.run(y))
代码实现实例②
#两层简单神经网络（全连接）

import tensorflow as tf
#定义输入和参数
#用placeholder实现输入定义   （sess.run中喂一组数据）
x = tf.placeholder(tf.float32,shape=(1,2))  #一组体积和重量，用一行两列的二维张量表示
w1 = tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))
w2 = tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))

#定义前向传播过程
a = tf.matmul(x,w1)
y = tf.matmul(a,w2)
#到这神经网络的架构就构建好了

#用会话计算结果
with tf.Session() as sess:
    init_op = tf.global_variables_initializer()
    sess.run(init_op)
    print(sess.run(y,feed_dict={x:[[0.7,0.5]]}))
    
代码实现实例③
#两层简单神经网络（全连接）
import tensorflow as tf

#定义输入和参数
#用placeholder实现输入定义   （sess.run中喂多组数据）
x = tf.placeholder(tf.float32,shape=(None,2))  #注意None
w1 = tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))
w2 = tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))

#定义前向传播过程
a = tf.matmul(x,w1)
y = tf.matmul(a,w2)
#到这神经网络的架构就构建好了

#用会话计算结果
with tf.Session() as sess:
    init_op = tf.global_variables_initializer()
    sess.run(init_op)
    print(sess.run(y,feed_dict={x:[[0.7,0.5],[0.2,0.3],[0.3,0.4],[0.4,0.5]]}))
    print(sess.run(w1))
    print(sess.run(w2))

人工智能实践:Tensorflow笔记(二)：TensorFlow框架

猜你喜欢