Tensorflow小样例-神经网络
2017-08-01 17:31
197 查看
这个例子是用Tensorflow构建一个简单的两层神经网络
结果如下:
import tensorflow as tf import numpy as np import matplotlib.pyplot as plt # 增加网络层的函数 def add_layer(inputs, int_size,out_size,activation_function=None): # 神经元权重初值:从正态分布中输出随机值,shape为[int_size,out_size] Weights = tf.Variable(tf.random_normal([int_size,out_size])) # 偏差初值 biases = tf.Variable(tf.zeros([1,out_size]) + 0.1) Wx_plus_b = tf.matmul(inputs, Weights) + biases # 激活函数 if activation_function is None: outputs = Wx_plus_b else: outputs = activation_function(Wx_plus_b) return outputs # linspace函数可以生成元素为-1到1的等间隔数列。而前两个参数分别是数列的开头与结尾。如果写入第三个参数,可以制定数列的元素个数 # numpy的newaxis可以新增一个维度而不需要重新创建相应的shape在赋值,非常方便,如上面的例子中就将x_data从一维变成了二维。 x_data = np.linspace(-1,1,300)[:,np.newaxis] # 定义噪声,目的为了模拟真实数据中存在的偏差 noise = np.random.normal(0,0.05,x_data.shape) # 得到因变量 y_data = np.square(x_data) - 0.5 + noise # 添加占位符,用作输入 xs = tf.placeholder(tf.float32,[None,1]) #None 表示无论给多少个例子都可以 ys = tf.placeholder(tf.float32,[None,1]) # 添加隐藏层和输出层 # 输入值是 xs,在隐藏层有 10 个神经元 l1 = add_layer(xs,1,10,activation_function=tf.nn.relu) # 输入值是隐藏层 l1,在预测层输出 1 个结果 prediction = add_layer(l1,10,1,activation_function=None) # 定义损失函数,reduction_indices是指沿tensor的哪些维度求和,reduction_indices=0时,按列;reduction_indices=1时,按行 loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction), reduction_indices=[1])) # 构建优化器,并用梯度下降使得误差最小, train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) # 对所有变量进行初始化(还没有真正执行) init = tf.initialize_all_variables() # 构建对话 sess = tf.Session() # 对所有变量进行初始化 sess.run(init) # 生成图片框 fig = plt.figure() # 不能通过空Figure绘图。必须用add_subplot创建一个或多个subplot才行,声明1*1个图像的,且当前选中的是subplot中的第一个(编号从1开始) ax = fig.add_subplot(1,1,1) # 绘制散点图,其中,x_data和y_data是相同长度的数组序列 ax.scatter(x_data,y_data) # 打开交互模式,为了不让画图暂停 plt.ion() # 显示图像(此处的图像为训练集的散点图) plt.show() # 迭代 1000 次学习 for i in range(1000): # training train_step 和 loss 都是由 placeholder 定义的运算,所以这里要用 feed 传入参数 sess.run(train_step,feed_dict={xs:x_data,ys:y_data}) # 训练 # 每训练50次显示一次当前的损失函数的值 if i % 50 == 0: print(sess.run(loss,feed_dict={xs:x_data,ys:y_data})) # 在画当前的拟合曲线前,先删除上一条的拟合曲线 try: ax.lines.remove(lines[0]) except Exception: pass # 预测 prediction_value = sess.run(prediction,feed_dict={xs:x_data,ys:y_data}) # 绘制当前的拟合曲线,曲线为红色直线,线宽为5 lines = ax.plot(x_data,prediction_value,'r-',lw=5) # 停止0.1s再绘制 plt.pause(0.1)
结果如下:
相关文章推荐
- TensorFlow完整神经网络样例
- 完整神经网络样例程序(TensorFlow)(源码)
- 完整神经网络样例程序(TensorFlow,加入偏置项和relu激活函数)(源码)
- TensorFlow搭建神经网络最佳实践样例
- tensorflow代码梳理2——完整的深层全连接神经网络样例
- 【DL笔记】LeNet5神经网络简介及TensorFlow实现
- 深度神经网络及TensorFlow实现1-激活函数(Activation Function)2
- TensorFlow游乐场及神经网络简介
- R语言神经网络keras,tensorflow,mxnet
- 一文学会用 Tensorflow 搭建神经网络
- TensorFlow 深度学习框架 (1)-- 神经网络与前向传播
- Tensorflow基本语法和实现神经网络
- TensorFlow 深度学习框架 (2)-- 反向传播优化神经网络
- Tensorflow进行简单的神经网络的尝试(建造神经网络)
- tensorflow建立一个简单的神经网络
- Tensorflow框架下识别手写字神经网络代码
- 利用tensorflow建立简单的神经网络
- 使用TensorFlow定义拥有一个隐藏层的神经网络
- 79、tensorflow计算一个五层神经网络的正则化损失系数、防止网络过拟合、正则化的思想就是在损失函数中加入刻画模型复杂程度的指标
- TensorFlow学习(七):基本神经网络"组件"