Tensorflow搭建神经网络之模块化八股

    以下代码是使用tensorflow库，并使用模块化的工程思想，用来搭建神经网络的八股（即必须的基本函数和参数）。补全以下代码，可以实现简单的神经网络的搭建。

注：python3.6

# 搭建模块化的神经网络八股：
# 前向传播就是搭建网络。设计网络结构(forword.py)


def forward(x, regularizer):
    w =
    b =
    y =
    return y


def get_weight(shape, regularizer):
    w = tf.Variable()
    tf.add_to_collection('losses', tf.contrib.l2_regularizer(regularizer)(w))
    return w

# shape表示b的形状，就是某层中b的个数


def get_bias(shape):
    b = tf.Variable()
    return b

# 反向传播就是训练网络，优化网络参数(backward.py)


def backward():
    x = tf.placeholder()
    y_ = tf.placeholder()
    y = forward.forward(x, REGULARIZER)
    # 轮数计数器
    global_step = tf.Variable(0, trainable=False)
    loss =


'''
正则化:
    loss可以是:
    均方误差:y与y_的差距(loss_mse) = tf.reduce_mean(tf.square(y-y_))
    交叉熵:ce = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y, labels=tf.argmax(y_, 1))
    y与y_的差距(cem) = tf.reduce_mean(ce)
    加入正则化后，则还要加上:
    loss = y与y_的差距 + tf.add_n(tf.get_collection('losses'))
'''
# 若使用，指数衰减学习率，则加上:
learning_rate = tf.train.exponential_decay(
    LEARNING_RATE_BASE,
    global_step,
    数据样本数/BATCH_SIZE,
    LEARNING_RATE_DECAY,
    staircase=True)

train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss, global_step=global_step}

# 滑动平均:
ema = tf.train.ExponentialMovingAverage(MOVlNG_AVERAGE_DECAY, global_step)
ema_op = ema.apply(tf.trainable_variables()}
with tf.control_dependencies([train_step, ema.op]):
    train.op = tf.no_op(name='train')


with tf.Session() as sess:
    init.op = tf.global_Variables_initializer()
    sess.run(init_op)

    for i in range(STEPS):
        sess.run(train_step, feed_dict={x:, y_: })
        if i % 轮数 == 0:
            print()

# 判断python运行的文件是否是主文件，若是主文件，则执行backward()函数
if __name__ == '__main__':
    backward()

转自：北京大学 人工智能实践：Tensorflow笔记