• 代码说明(搭建神经网络的步骤)


    #coding:utf-8
    #0导入模块,生成模拟数据集。
    #tensorflow学习笔记(北京大学) tf3_6.py 完全解析神经网络搭建学习
    import tensorflow as tf
    import numpy as np
    BATCH_SIZE = 8
    SEED = 23455
    
    rdm = np.random.RandomState(SEED)
    X = rdm.rand(32,2)
    Y_ = [[int(x0 + x1 < 1)] for (x0, x1) in X]  #for(x0,x1) in x是从x中取出x0和x1的所有值,[int(x0+x1<1)]意思时x0+x1<1,则Y_=1;否则为0;
    print("X:
    ",X)
    print("Y_:
    ",Y_)
    x = tf.placeholder(tf.float32, shape=(None, 2))#用placeholder实现输入定义
    y_= tf.placeholder(tf.float32, shape=(None, 1))#用placeholder实现占位
    w1= tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1))#正态分布随机数
    w2= tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1))#正态分布随机数
    a = tf.matmul(x, w1)#点积
    y = tf.matmul(a, w2)#点积
    
    #2定义损失函数及反向传播方法。
    loss_mse = tf.reduce_mean(tf.square(y-y_)) 
    train_step = tf.train.GradientDescentOptimizer(0.001).minimize(loss_mse)
    #train_step = tf.train.MomentumOptimizer(0.001,0.9).minimize(loss_mse)
    #train_step = tf.train.AdamOptimizer(0.001).minimize(loss_mse)
    
    #3生成会话,训练STEPS轮
    with tf.Session() as sess:
        init_op = tf.global_variables_initializer()#初始化
        sess.run(init_op)
        # 输出目前(未经训练)的参数取值。
        print("w1:
    ", sess.run(w1))
        print("w2:
    ", sess.run(w2))
        print("
    ")
        
        # 训练模型。
        STEPS = 3000
        for i in range(STEPS):#3000轮
            start = (i*BATCH_SIZE) % 32 #i*8%32
            end = start + BATCH_SIZE    #i*8%32+8
            sess.run(train_step, feed_dict={x: X[start:end], y_: Y_[start:end]})
            if i % 500 == 0:
                total_loss = sess.run(loss_mse, feed_dict={x: X, y_: Y_})
                print("After %d training step(s), loss_mse on all data is %g" % (i, total_loss))
        
        # 输出训练后的参数取值。
        print("
    ")
        print("w1:
    ", sess.run(w1))
        print("w2:
    ", sess.run(w2))
    #,只搭建承载计算过程的
    #计算图,并没有运算,如果我们想得到运算结果就要用到“会话 Session()”了。 
    #√会话(Session): 执行计算图中的节点运算  
        print("w1:
    ", w1)
        print("w2:
    ", w2)
    
    
    学习内容来自:慕课APP中人工智能实践-Tensorflow笔记;北京大学曹健老师的课程
    SEED = 23455
    rdm = np.random.RandomState(SEED)
    X = rdm.rand(32,2)
    rand(32,2)是生成32行2列的0~1的随机数。
    rdm = np.random.RandomState(SEED)指定种子值,使在同样条件下产生的随机数一样,便于和视频内容进行相关调试;
     start = (i*BATCH_SIZE) % 32 #i*8%32
     end = start + BATCH_SIZE    #i*8%32+8
     sess.run(train_step, feed_dict={x: X[start:end], y_: Y_[start:end]})
    也就是说i=0,start=0,end=8;i=1,start=8,end=16;i=2,start=16,end=24;i=3,start=24,end=32;i=4,start=0,end=8。故每次训练8组数据,一共训练3000次。
    sess.run(train_step, feed_dict={x: X[start:end], y_: Y_[start:end]})
    不断将X[start:end]数据和Y_[start:end]数据喂给x与y_;减小loss(误差)值;优化loss;
    if i % 500 == 0:
                total_loss = sess.run(loss_mse, feed_dict={x: X, y_: Y_})
                print("After %d training step(s), loss_mse on all data is %g" % (i, total_loss))
    没500次打印一次total_loss
    
    
     
  • 相关阅读:
    requests模块
    Html5五子棋
    html5学习之旅第一篇
    Vue.js学习和第一个实例
    electron安装到第一个实例
    mongodb学习-练习实例
    nosql学习一
    csv内存流文件流
    关于Vue中img的src属性绑定的一些坑
    java中的==操作符和equals函数
  • 原文地址:https://www.cnblogs.com/fcfc940503/p/10931317.html
走看看 - 开发者的网上家园