1 定义 add_layer()
定义一个添加层的函数可以很容易的添加神经层
神经层里常见的参数通常有weights、biases和激励函数
【权重 偏置 激活函数】
import tensorflow as tf #输入值、输入的大小、输出的大小和激励函数，我们设定默认的激励函数是None def add_layer(inputs, in_size, out_size, activation_function=None): ### 定义weights和biases ### #在生成初始参数时，随机变量(normal distribution)会比全部为0要好很多，所以我们这里的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的推荐值不为0 biases = tf.Variable(tf.zeros([1, out_size]) + 0.1) #定义网络未激活的值 Wx_plus_b = tf.matmul(inputs, Weights) + biases #tf.matmul()是矩阵的乘法 #激励函数为None时，输出就是当前的预测值——W*x + b #不为None时，就把 W*x + 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
2 导入数据
### 构建所需要的数据 ### # 引入了 noise，使得x_data 和 y_data 不是标准的一元二次函数关系 x_data = np.linspace(-1,1,300, dtype=np.float32)[:, np.newaxis] noise = np.random.normal(0, 0.05, x_data.shape).astype(np.float32) y_data = np.square(x_data) - 0.5 + noise #利用占位符定义我们所需的神经网络的输入 # tf.placeholder()就是代表占位符，这里的None代表无论输入有多少都可以 # 因为输入只有一个特征，所以这里是1 xs = tf.placeholder(tf.float32, [None, 1]) ys = tf.placeholder(tf.float32, [None, 1])
3 搭建网络
### 定义神经层 ### #通常神经层都包括输入层、隐藏层和输出层 #这里，输入层1个、隐藏层10个、输出层1个的神经网络 #隐藏层 【激活函数 tf.nn.relu】 l1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu) #输出层 # 输入就是隐藏层的输出——l1，输入有10层（隐藏层的输出层），输出有1层 prediction = add_layer(l1, 10, 1, activation_function=None) #计算误差 #平方求和再取平均 loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),reduction_indices=[1])) #提升准确率 #代表以0.1的效率来最小化误差loss train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) #变量初始化 init = tf.global_variables_initializer() # 替换成这样就好 #定义Session 【只有session.run()才会执行我们定义的运算】 sess = tf.Session() sess.run(init)
4 训练
for i in range(1000): # 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 sess.run(train_step, feed_dict={xs: x_data, ys: y_data}) if i % 50 == 0: # to see the step improvement print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))
全部代码
import tensorflow as tf import numpy as np #输入值、输入的大小、输出的大小和激励函数，我们设定默认的激励函数是None def add_layer(inputs, in_size, out_size, activation_function=None): ### 定义weights和biases ### #在生成初始参数时，随机变量(normal distribution)会比全部为0要好很多，所以我们这里的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的推荐值不为0 biases = tf.Variable(tf.zeros([1, out_size]) + 0.1) #定义网络未激活的值 Wx_plus_b = tf.matmul(inputs, Weights) + biases #tf.matmul()是矩阵的乘法 #激励函数为None时，输出就是当前的预测值——W*x + b #不为None时，就把 W*x + 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 ### 构建所需要的数据 ### # 引入了 noise，使得x_data 和 y_data 不是标准的一元二次函数关系 x_data = np.linspace(-1,1,300, dtype=np.float32)[:, np.newaxis] noise = np.random.normal(0, 0.05, x_data.shape).astype(np.float32) y_data = np.square(x_data) - 0.5 + noise #利用占位符定义我们所需的神经网络的输入 # tf.placeholder()就是代表占位符，这里的None代表无论输入有多少都可以 # 因为输入只有一个特征，所以这里是1 xs = tf.placeholder(tf.float32, [None, 1]) ys = tf.placeholder(tf.float32, [None, 1]) ### 定义神经层 ### #通常神经层都包括输入层、隐藏层和输出层 #这里，输入层1个、隐藏层10个、输出层1个的神经网络 #隐藏层 【激活函数 tf.nn.relu】 l1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu) #输出层 # 输入就是隐藏层的输出——l1，输入有10层（隐藏层的输出层），输出有1层 prediction = add_layer(l1, 10, 1, activation_function=None) #计算误差 #平方求和再取平均 loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),reduction_indices=[1])) #提升准确率 #代表以0.1的效率来最小化误差loss train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) #变量初始化 init = tf.global_variables_initializer() # 替换成这样就好 #定义Session 【只有session.run()才会执行我们定义的运算】 sess = tf.Session() sess.run(init) for i in range(1000): # 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 sess.run(train_step, feed_dict={xs: x_data, ys: y_data}) if i % 50 == 0: # to see the step improvement print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))