欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

用 Tensorflow 构建一个神经网络

程序员文章站 2022-07-06 21:03:36
...

本次构建的神经网络
用 Tensorflow 构建一个神经网络
神经网络结构说明

(1)输入层:300个含有一个特征的样本。

(2)隐藏层:含有一个隐藏层,隐藏层中有10个神经元节点。神经元节点的**函数是:ReLU。

(3)输出层:一个神经元节点,没有**函数

实现代码

import tensorflow as tf
import numpy as np

"""
inputs:输入值
in_size:输入的大小
out_size:输出的大小
activation_function:**函数
"""
# 构造一个添加神经元的函数
def add_layer(inputs,in_size,out_size,activation_function=None):
    # 因为生成初始参数时,随机变量会比全部为0好很多
    # 所以定义weights 为一个 in_size 行,out_size 列的随机变量矩阵
    Weights = tf.Variable(tf.random_normal([in_size,out_size]))
    # 机器学习中,biases 不推荐为 0,所以 在 0向量基础上又加0.1
    biases = tf.Variable(tf.zeros([1,out_size])) + 0.1
    # 定义 Wx_plus_b ,即神经网络未**的值
    Wx_plus_b = tf.matmul(inputs,Weights) + biases
    #当 activation_function- 激励函数为 None时,输出就是当前的预测值-Wx_plus_b
    # 不为 None 时,就把 Wx_plus_b 传到 activation_function 函数中得到输出
    if activation_function is None:
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b)
    return outputs

############################# 导入数据 #############################
# 构建所需的数据,由于 x_data 与 y_data 并不是严格的一元二次函数的关系
# 所以这里加一个 noise 看起来更像真实情况
x_data = np.linspace(-1,1,300,dtype=np.float32)[:,np.newaxis]
# 生成高斯分布的概率密度随机数
# 0 表示概率分布的均值,0.05 表示概率分布的标准差,x_data.shape 表示输出的shape
noise = np.random.normal(0,0.05,x_data.shape)
y_data = np.square(x_data) - 0.5 + noise

# 利用占位符定义我们需要的神经网络的输入
# None 代表无论输入多少样本都可以,因为只有一个样本,所以这里是1
xs = tf.placeholder(tf.float32,[None,1])
ys = tf.placeholder(tf.float32,[None,1])
######################### 导入数据 #############################

######################## 搭建神经网络 ##########################
# 输入层只有一个属性,所以我们就只有一个输入
# 设置隐藏层有10个神经元
# 输出层只有一层
l1 = add_layer(xs,1,10,activation_function=tf.nn.relu)
prediction = add_layer(l1,10,1,activation_function=None)

# 定义损失函数
# 计算预测值 prediction 和真实值的误差,对两者差的平方求和再取平均值
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1]))
# 这一步是很关键的一步,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)

# 只要使用变量就要对其进行初始化
init = tf.global_variables_initializer()
#定义 Session,并用Session来执行 init 初始化步骤
sess = tf.Session()
sess.run(init)
######################## 搭建神经网络 ##########################

########################## 训练网络 ############################
# 这里用 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
# 用到 placeholder 时,需要使用 feed_dict 这个字典指定输入
for i in range(1000):
    sess.run(train_step,feed_dict={xs:x_data,ys:y_data})
    # 每 50 步输出一下机器学习的误差
    if i%50 ==0:
        print(sess.run(loss,feed_dict={xs:x_data,ys:y_data}))
########################## 训练网络 ############################

用 Tensorflow 构建一个神经网络