之前的一篇博客專門介紹了神經(jīng)網(wǎng)絡(luò)的搭建，是在python環(huán)境下基于numpy搭建的，之前的numpy版兩層神經(jīng)網(wǎng)絡(luò)，不能支持增加神經(jīng)網(wǎng)絡(luò)的層數(shù)。最近看了一個介紹tensorflow的視頻，介紹了關(guān)于tensorflow的構(gòu)建神經(jīng)網(wǎng)絡(luò)的方法，特此記錄。
tensorflow的構(gòu)建封裝的更加完善，可以任意加入中間層，只要注意好維度即可，不過numpy版的神經(jīng)網(wǎng)絡(luò)代碼經(jīng)過適當(dāng)?shù)馗膭右部梢宰龅竭@一點，這里最重要的思想就是層的模型的分離。
import tensorflow as tf import numpy as np def addLayer(inputData,inSize,outSize,activity_function = None): Weights = tf.Variable(tf.random_normal([inSize,outSize])) basis = tf.Variable(tf.zeros([1,outSize])+0.1) weights_plus_b = tf.matmul(inputData,Weights)+basis if activity_function is None: ans = weights_plus_b else: ans = activity_function(weights_plus_b) return ans x_data = np.linspace(-1,1,300)[:,np.newaxis] # 轉(zhuǎn)為列向量 noise = np.random.normal(0,0.05,x_data.shape) y_data = np.square(x_data)+0.5+noise xs = tf.placeholder(tf.float32,[None,1]) # 樣本數(shù)未知，特征數(shù)為1，占位符最后要以字典形式在運行中填入 ys = tf.placeholder(tf.float32,[None,1]) l1 = addLayer(xs,1,10,activity_function=tf.nn.relu) # relu是激勵函數(shù)的一種 l2 = addLayer(l1,10,1,activity_function=None) loss = tf.reduce_mean(tf.reduce_sum(tf.square((ys-l2)),reduction_indices = [1]))#需要向相加索引號，redeuc執(zhí)行跨緯度操作 train = tf.train.GradientDescentOptimizer(0.1).minimize(loss) # 選擇梯度下降法 init = tf.initialize_all_variables() sess = tf.Session() sess.run(init) for i in range(10000): sess.run(train,feed_dict={xs:x_data,ys:y_data}) if i%50 == 0: print sess.run(loss,feed_dict={xs:x_data,ys:y_data}) 以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持VEVB武林網(wǎng)。
新聞熱點
疑難解答
圖片精選
