Tensorflow crear una red neuronal

Un sistema de red neural que consiste en muchas capas, una capa de entrada para recibir información, procesar la información de entrada de la capa intermedia, la capa de salida es la percepción del ordenador de la información de entrada.

https://www.jianshu.com/p/e112012a4b2d

 El proceso básico para construir redes neuronales

Definido añadió función de capa Neural

1. Los datos de entrenamiento
2. Definir nodo está lista para recibir datos
3. Definir Neural capa: capa oculta y la capa de predicción
4. Definir la expresión pérdida
5. Seleccione Optimizer hace una pérdida mínima

A continuación, todas las variables se inicializan por el optimizador sess.run, 1000 iteraciones de aprendizaje:

importación tensorflow como tf
 importación numpy como np 

def add_layer (entradas, in_size, out_size, activation_fuction = ninguno): 
    
    Peso = tf.Variable (tf.random.normal ([in_size, out_size])) 
    sesgos   = tf.Variable (tf.zeros ([1, out_size]) + 0.1 )     
    wx = tf.matmul (entradas, peso) + sesgos 
    
    si activation_fuction es Ninguno: 
        salida = wx
     otra cosa : 
        salida = activation_fuction (wx)
     de retorno de salida 



x_data = np.linspace (-1,1,300) [:, np.newaxis] 
ruido = np.random.normal (0,0.05 , x_data.shape) 
y_data = np.square (x_data) -0.5+ ruido 

xs = tf.placeholder (tf.float32, [Ninguno, 1 ]) 
ys = tf.placeholder (tf.float32, [ninguno, 1 ]) 
ocultos = add_layer (xs, 1,10, activation_fuction = tf.nn.relu) 
predicción = add_layer (oculto, 10,1, activation_fuction = Ninguno) 

pérdida = tf.reduce_mean (tf.reduce_sum (tf.square (de predicción - ys), reduction_indices = [1 ])) 
tren = tf.train.GradientDescentOptimizer (0.2 ) .minimize (pérdida) 

init = tf.global_variables_initializer ()

tf.Session con () como sess: 
    sess.run (init) 
    para i en el rango (1000 ):
 #    train_step # Formación y cálculo de la pérdida se definen por un marcador de posición, por lo que aquí utilizar los parámetros de alimentación pasado 
        sess.run (tren , feed_dict = {XS: x_data, YS: y_data})
         IF I% 50 == 0:
             Imprimir (sess.run (Pérdida, feed_dict = {XS: x_data, YS: y_data}))