tensorflow的基本用法(五)——创建神经网络并训练
2017-04-12 23:11
477 查看
文章作者:Tyan
博客:noahsnail.com | CSDN | 简书
本文主要是介绍利用tensorflow创建一个简单的神经网络并进行训练。
执行结果如下:
博客:noahsnail.com | CSDN | 简书
本文主要是介绍利用tensorflow创建一个简单的神经网络并进行训练。
#!/usr/bin/env python # _*_ coding: utf-8 _*_ import tensorflow as tf import numpy as np # 创建一个神经网络层 def add_layer(input, in_size, out_size, activation_function = None): """ :param input: 神经网络层的输入 :param in_zize: 输入数据的大小 :param out_size: 输出数据的大小 :param activation_function: 神经网络激活函数,默认没有 """ # 定义神经网络的初始化权重 Weights = tf.Variable(tf.random_normal([in_size, out_size])) # 定义神经网络的偏置 biases = tf.Variable(tf.zeros([1, out_size]) + 0.1) # 计算w*x+b W_mul_x_plus_b = tf.matmul(input, Weights) + biases # 根据是否有激活函数进行处理 if activation_function is None: output = W_mul_x_plus_b else: output = activation_function(W_mul_x_plus_b) return output # 创建一个具有输入层、隐藏层、输出层的三层神经网络,神经元个数分别为1,10,1 # 创建只有一个特征的输入数据,数据数目为300,输入层 x_data = np.linspace(-1, 1, 300)[:, np.newaxis] # 创建数据中的噪声 noise = np.random.normal(0, 0.05, x_data.shape) # 创建输入数据对应的输出 y_data = np.square(x_data) + 1 + noise # 定义输入数据,None是样本数目,表示多少输入数据都行,1是输入数据的特征数目 xs = tf.placeholder(tf.float32, [None, 1]) # 定义输出数据,与xs同理 ys = tf.placeholder(tf.float32, [None, 1]) # 定义一个隐藏层 hidden_layer = add_layer(xs, 1, 10, activation_function = tf.nn.relu) # 定义输出层 prediction = add_layer(hidden_layer, 10, 1, activation_function = None) # 求解神经网络参数 # 定义损失函数 loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction), reduction_indices = [1])) # 定义训练过程 train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) # 变量初始化 init = tf.global_variables_initializer() # 定义Session sess = tf.Session() # 执行初始化工作 sess.run(init) # 进行训练 for i in range(1000): # 执行训练,并传入数据 sess.run(train_step, feed_dict = {xs: x_data, ys: y_data}) if i % 100 == 0: print sess.run(loss, feed_dict = {xs: x_data, ys: y_data}) # 关闭Session sess.close()
执行结果如下:
1.06731 0.0111914 0.00651229 0.00530187 0.00472237 0.00429948 0.00399815 0.00377548 0.00359714 0.00345819
参考资料
https://www.youtube.com/user/MorvanZhou相关文章推荐
- tensorflow的基本用法(七)——使用MNIST训练神经网络
- tensorflow的基本用法(十)——保存神经网络参数和加载神经网络参数
- keras的基本用法(三)——创建神经网络
- tensorflow实现最基本的神经网络 + 对比GD、SGD、batch-GD的训练方法
- tensorflow实现最基本的神经网络 + 对比GD、SGD、batch-GD的训练方法
- tensorflow的基本用法(六)——神经网络可视化
- 深入浅出Tensorflow(三):训练神经网络模型的常用方法
- TensorFlow学习(七):基本神经网络"组件"
- tensorflow学习笔记四:mnist实例--用简单的神经网络来训练和测试(MNIST For ML Beginners)
- TensorFlow之创建神经网络
- 深入浅出Tensorflow(三):训练神经网络模型的常用方法
- tensorflow入门之训练简单的神经网络
- (尤其是训练集验证集的生成)深度学习 tensorflow 实战(2) 实现简单神经网络以及随机梯度下降算法S.G.D
- 如何用 Tensorflow 搭建神经网络-了解神经网络基本概念
- TensorFlow中对训练后的神经网络参数(权重、偏置)提取
- TensorFlow 入门之第一个神经网络训练 MNIST
- Tensorflow之创建我的第一个神经网络
- tensorflow学习笔记四:mnist实例--用简单的神经网络来训练和测试
- TensorFlow神经网络的训练过程
- TensorFlow入门,基本介绍,基本概念,计算图,pip安装,helloworld示例,实现简单的神经网络