2024年最全深度学习（初识tensorflow2，2024年最新Github标星5.3K

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

🥰 博客首页：knighthood2001

😗 欢迎点赞👍评论🗨️

❤️ 热爱python，期待与大家一同进步成长！！❤️

👀给大家推荐一款很火爆的刷题、面试求职网站👀

目录

三好学生成绩问题的引入

搭建解决三好学生成绩问题的神经网络

构建的神经网络的代码

代码讲解

---

三好学生成绩问题的引入

我们来看这样一个问题: 某个学校将要评选三好学生，我们知道，三好学生的“三好"指的是品德好、学习好、体育好:而要进行评选，如今都需要量化，也就是说学校会根据德育分、智育分和体育分3项分数来计算一个总分， 然后根据总分来确定谁能够被评选为三好学生。假设这个学校计算总分的规则是:德育分占60% ，智育分占30%，体育分占10% 。这个规则如果用一个公式来表达是这样的

总分=德育分*0.6 +智育分* 0.3 +体育分*0.1

可以看到，计算三好学生总成绩的公式实际上是把3项分数各自乘上一个权重(weight)值，然后相加求和。

---

以上是我们要解决问题的背景。那么，我们需要解决的问题是这样的:有两位孩子的家长，知道了自己孩子的3项分数及总分，但是学校并没有告诉家长们计算出总分的规则。家长们猜测出计算总分的方法肯定是把3项分数乘以不同的权重后相加来获得，唯一不知道的就是这几个权重值到底是多少。现在家长们就想用人工智能中神经网络的方法来大致推算出这3个权重分别是多少。我们假设第一位家长的孩子A的德育分是90、智育分是80、 体育分是70、总分是85，并分别用w1、w2、w3来代表德育分、智育分和体育分所乘的权重，可以得到这个式子:

90 * w1 + 80 * w2 + 70 * w3 = 85

另一位孩子B的德育分是98、智育分是95、体育分是87、总分是96，我们可以得到这个式子:

98 * w1 + 95 * w2 + 87 * w3 = 96

从数学中解方程式的方法来说，这两个式子中一共有3个未知数，理论上只要有3个不等价的式子，就可以解出答案了。但我们恰恰只有两个学生的数据，只能凑出两个式子，也就无法用解方程的方法解决这个问题。那么这时候，就可以用到神经网络的方法来尝试解决这个问题。

---

搭建解决三好学生成绩问题的神经网络

理论知识

①神经网络模型图一般均包含1个输入层、1个或多个隐藏层，以及1个输出层。

②一般来说， 输入层是描述输入数据的形态的;我们用方块来代表每条输入数据的一个数 (或者叫一个字段)，叫作输入节点;输入节点一般用x来命名，如果有多个数值，则用x1，x2，…，xn来代表。

③隐藏层是描述我们设计的神经网络模型结构中最重要的部分;隐藏层可能有多个;每一层中都会有1个或多个神经元，我们用圆圈来表示，叫做神经元节点或隐藏节点，有时也直接简称为节点;每一个节点都接收上一层传来的数据并进行一定的运算后向下一层输出数据，符合神经元的特性，神经元节点上的这些运算称为计算操作或操作（operation，简称op）

④输出层一般是神经网络模型的最后一层，会包含1个或多个以菱形表示的输出节点，输出节点代表着整个神经网络计算的最后结果:输出层的节点一般习惯上用y来命名，但并非必须。

⑤我们在神经网络模型图中，一般约定在各个节点的右下方(有时候因为拥挤也会在左下方)标记节点的名称，在节点的左上方标记该节点所做的计算，例如，x1、x2、x3、n1、n2、n3、y都是节点名称，“*w1”、 “*w2”、 “*w3”这些都代表节点运算。

现在我们回到模型本身，这是一个标准的前馈神经网络，即信号总是往前传递的神经网络。输入层有3个节点x1、x2、x3，分别代表前面所说的德育分、智育分和体育分。因为问题比较简单，隐藏层我们只设计了一层，其中有3个节点n1、n2、n3，分别对3个输入的分数进行处理，处理的方式就是分别乘以3个权重w1、w2、w3。输出层只有一个节点y， 因为我们只要求一个总分数值;节点y的操作就是把n1、n2、n3这3个节点输出过来的数值进行相加求和。

构建的神经网络的代码

import tensorflow as tf
# placeholder和eager execution不兼容
tf.compat.v1.disable_eager_execution()

# 定义三个输入节点
x1 = tf.compat.v1.placeholder(dtype=tf.float32)
x2 = tf.compat.v1.placeholder(dtype=tf.float32)
x3 = tf.compat.v1.placeholder(dtype=tf.float32)

# 定义权重（可变参数）
w1 = tf.Variable(0.1, dtype=tf.float32)
w2 = tf.Variable(0.1, dtype=tf.float32)
w3 = tf.Variable(0.1, dtype=tf.float32)

# 隐藏层
n1 = x1 * w1
n2 = x2 * w2
n3 = x3 * w3

# 输出层
y = n1 + n2 + n3

# 会话，管理神经网络运行的一个对象
sess = tf.compat.v1.Session()

init = tf.compat.v1.global_variables_initializer()

# 在sess会话中运行初始化这个函数
sess.run(init)

# 执行一次神经网络的计算
result = sess.run([x1, x2, x3, w1, w2, w3, y], feed_dict={x1: 90, x2: 80, x3: 70})
print(result)
# [array(90., dtype=float32), array(80., dtype=float32), array(70., dtype=float32), 0.1, 0.1, 0.1, 24.0]

---

代码讲解

tf.compat.v1.disable_eager_execution()

需要加这个，原因是placeholder和eager execution不兼容

# 定义三个输入节点
x1 = tf.compat.v1.placeholder(dtype=tf.float32)
x2 = tf.compat.v1.placeholder(dtype=tf.float32)
x3 = tf.compat.v1.placeholder(dtype=tf.float32)


![img](https://img-blog.csdnimg.cn/img_convert/e37ac276923e7ccb1e7f3b06bfaf0a2a.png)
![img](https://img-blog.csdnimg.cn/img_convert/939a60aebe4e81e7efba0b527224545e.png)

**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

**[需要这份系统化资料的朋友，可以戳这里获取](https://bbs.csdn.net/topics/618545628)**


**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**

入研究，那么很难做到真正的技术提升。**

**[需要这份系统化资料的朋友，可以戳这里获取](https://bbs.csdn.net/topics/618545628)**


**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**