【懒懒的Tensorflow学习笔记三之搭建简单的神经网络模型】

用Tensorflow 实现了一个简单的三层神经网络结构，来拟合Y=X²，激励函数采用Relu，采用误差反向传播更新权值，并用可视化的形式展示处理，具体代码如下：

# coding=utf-8
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt

# 构建添加层的函数和一个简单的神经网络
def add_layer(inputs, in_size, out_size, activation_function=None):
'''

:param inputs:输入值
:param in_size:输入值的维度
:param out_size:输出装的维度
:param activation_function:激活函数
:return:
'''
# 初始化变量的时候采用随机值比全0值好
Weight = tf.Variable(tf.random_uniform([in_size, out_size]))
Bias = tf.Variable(tf.zeros([1, out_size]) + 0.1)

# 网络输出值
Wx_plus_b = tf.matmul(inputs, Weight) + Bias

# 选择激活函数
if activation_function is None:
output = Wx_plus_b
else:
output = activation_function(Wx_plus_b)

return output

# 构建一个简单的神经网络模型

# 创建训练数据集
x_data = np.linspace(-1, 1, 200, dtype=np.float32)[:, np.newaxis]
# 添加噪声
noise = np.random.normal(0, 0.05, x_data.shape).astype(np.float32)
y_data = np.square(x_data) + noise

# 定义输入和输出
# placehoolder()表示占位符，None表示多少个都可以，1表示数据特征维度为1
inputs = tf.placeholder(tf.float32, [None, 1])
outputs = tf.placeholder(tf.float32, [None, 1])

# 搭建网络
# 定义隐含层
# inputs表示输入数据，1表示输入数据特征维度为1，10表示隐含层神经元个数为10，激活函数使用Tensorflow自带的激活函数relu
hidden_outputs = add_layer(inputs, 1, 10, activation_function=tf.nn.relu)

# 定义输出层
# hidden_outputs是隐含层的输出，10是隐含层输出特征的个数，1表示输出值的维度
prediction = add_layer(hidden_outputs, 10, 1, activation_function=None)

# 定义损失函数 reduction_indices=[1]表示按行求和
loss = tf.reduce_mean(tf.reduce_sum(tf.square(prediction - outputs), reduction_indices=[1]))

# 优化器
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

# 变量初始化
init = tf.global_variables_initializer()

# 开始训练
sess = tf.Session()
sess.run(init)

# 输出散点图
fig = plt.figure()
ax = fig.add_subplot(1, 1, 1)
ax.scatter(x_data, y_data, color='b')
plt.ion() # 用于连续显示
plt.show()

for i in range(1000):
sess.run(train_step, feed_dict={inputs: x_data, outputs: y_data})
if i % 50 ==0:
try:
ax.lines.remove(lines[0])
except:
pass
prediction_value = sess.run(prediction, feed_dict={inputs: x_data})
print(sess.run(loss, feed_dict={inputs: x_data, outputs: y_data}))
lines = ax.plot(x_data, prediction_value, 'r-', lw=2)
plt.pause(0.1)

结果如图：