ニューラルネットワークを構築する手順

準備、前方伝播と逆伝播ループ反復：レッスンは、ニューラルネットワークに4つのステップを構築します。
√0インポートモジュールは、シミュレートされたデータセットを生成;.
インポート
定数定義は、
データ・セットを生成
√1フォワード伝搬：入力パラメータおよび出力を定義
X = Y_ =
W1 = W2 =で
A = Yの=
バックプロパゲーション√2：定義損失関数、バックプロパゲーション法の
損失=
train_step =
。√3セッションを生成し、トレーニング段階は、車輪
tf.sessionで（）は、ASセッション数
。init_op global_variables_initializerのTF =（）
sess_run（init_op）
手順= 3000
レンジ（ステップ）におけるIのために：
=スタート
終了=
sess.run（train_step、feed_dict :)

Pythonコード：

＃のコーディング：UTF 8 
＃0インポートモジュールは、シミュレートされたデータセットを生成します。
＃Tensorflowの研究ノート（北京）が完全にニューラルネットワークの学習構築するために解決tf3_6.py 
インポートTF AS tensorflow
 インポートNP AS numpyの
BATCH_SIZE = 8を
SEED = 23455 

RDM = np.random.RandomState（SEED）
X- = rdm.rand（32,2 ）
Y_ [INT（X0 + X1 <1）] = ため（X0、X1）におけるX-] #for（X0、X1）は、xのxからのすべての値X0及びX1を取ることで、[INT（X0 + X1 <1）]次に、平均X0 + X1 <1、Y_ = 1、そうでない場合は0、
 印刷（" X-：\ N- " 、X-）
 プリント（" Yは_：\ N- " 、Y_）
XTf.placeholder =（tf.float32、形状=（なし、2）） ＃入力用のプレースホルダが定義 
Y_ = tf.placeholder（tf.float32、形状=（なし,. 1）） ＃プレースホルダで実装プレース 
W1 = TF .Variable（tf.random_normal（[2 ,. 3]、STDDEV。1 =、= SEED。1）） ＃正規乱数は、 
W2 = tf.Variable（tf.random_normal（[3 = 1、種子、1]、STDDEV = 1）） ＃正常乱数 
A = tf.matmul（X、W1） ＃のドット積 
のW2 Y = tf.matmul（A）＃1 の内積

＃2及び伝播方法バック定義損失関数。
= tf.reduce_mean loss_mse（tf.square（Y- Y_））
train_step = tf.train.GradientDescentOptimizer（0.001 ）.minimize（loss_mse）
＃= tf.train.MomentumOptimizerのtrain_step（0.001,0.9）.minimize（loss_mse） 
＃train_step = tf.train.AdamOptimizer .minimize（loss_mse）（0.001） 

＃3がセッションを生成、トレーニングステップが車輪。
のSESとしてtf.Session（）と：
    init_op = tf.global_variables_initializer（） ＃は、初期化
    sess.run（init_op）
    ＃の出力電流（訓練されていない）パラメータ値。
    印刷（" W1：N- \ " 、sess.run（W1））
     を印刷（" W2：N- \ " 、sess.run（W2））
     を印刷（" N-を\ " ）
    
    ＃のトレーニングモデル。
    = 3000 STEPS 用 I で
    レンジ（ステップ）： ＃3000は轮 
        32％（iはBATCH_SIZEを*）=開始＃iが8％32 * 
        端を= + BATCH_SIZE開始     位iが8％×32 + 8 
        sess.runを（train_step、feed_dict = {X：X [開始：終了]、Y_：Y_は[開始：終了]を}）
         であれば、I％500 == 0：
            total_loss = sess.run（loss_mse、feed_dict = {X：X、Y_：Y_}）
             プリント（" ％d個のトレーニングステップの後（s）は、すべてのデータにloss_mseされ％G "％（I、total_loss）） 
    
    ＃输出训练后的参数取值。
    印刷（" の\ n " ）
     プリント（" W1：\ N- " 、sess.run（W1））
     を印刷（" のW2：\ N- " 、のW2 sess.run（）） ＃
 、唯一の演算処理運ばビルド
＃の算出マップ、ノーオペレーション、我々は、操作をしたい場合結果は、「セッションsession（）」までに使用されます。
＃√セッション（セッション）：グラフ操作で計算ノードを行う   
    印刷（" ：W1 \ N- " 、W1）
     プリント（" ：\のN- W2 " のW2）
 " "" 
X-：
[0.83494319 0.11482951] 
 [0.66899751 0.46594987] 
 【0.60181666 0.58838408] 
 [0.31836656 0.20502072] 
 [0.87043944 0.02679395] 
 [0.41539811 0.43938369] 
 [0 0.68635684。
 【0.97315228 0.68541849] 
 [0.06727785 0.57784761]
 【0.03081617 0.89479913] 
 [0.24665715 0.28584862] 
 [0.31375667 0.47718349] 
 [0.56689254 0.77079148] 
 [0.7321604 0.35828963] 
 [0.15724842 0.94294584] 
 [0.34933722 0.84634483] 
 [0.50304053 0.81299619] 
 [0.23869886 0.9895604] 
 [0.4636501 0.32531094] 
 [0.36510487 0.97365522] 
 [0.73350238 0.83833013] 
 [0.61810158 0.12580353] 
 [0.59274817 0.18779828] 
 [0.87150299 0.34679501] 
 [0.25883219 0.50002932] 
 [0.75690948 0.83429824] 
 [0.29316649 0.05646578] 
 [0.10409134 0.88235166] 
 [0.38492705 0.48384792] 
 [0.69234428 0.19687348] 
 [0.42783492 0.73416985] 
 [0.09696069 0.04883936] 
Y_：
[1]、[0]、[0]、[1]、[1]、[1]、[1]、[0 ]、[1]、[1]、[1]、[0]、[0]、[0]、[0]、[0]、[0]、[1]、[0]、[0]、 [1]、[1]、[0]、[1]、[0]、[1]、[1]、[1]、[1]、[1]、[0]、[1]] 
W1：
[-0.81131822 1.48459876 0.06532937] 
 [-2.4427042 0.0992484 0.59122431] 
W2：
[-0.81131822] 
 [1.48459876] 
 [0.06532937] 


0トレーニングステップ（複数可）の後、すべてのデータにloss_mseは5.13118である
後500トレーニングステップ（S）すべてのデータのloss_mseが0.429111である
1000年のトレーニングステップ（複数可）した後、すべてのデータのloss_mseは0.409789です 
後に1500トレーニングステップ（S）、すべてのデータのloss_mseが0.399923である
2000のトレーニングステップ（複数可）した後、すべてのデータのloss_mseは0.394146です
2500トレーニングステップ（複数可）の後に、すべてのデータにloss_mseは0.390597であり


、W1：
[-0.70006633 0.9136318 0.08953571] 
 [-2.3402493 -0.14641267 0.58823055] 
W2：
[-0.06024267] 
 [0.91956186] 
 [-0.0682071]] 
""」

学ぶ：ムーレッスンAPP人工知能の練習-Tensorflowノート、北京大学曹操建教師コース

＃初期化

ニューラルネットワークを構築する手順

おすすめ