Linux下用TensorFlow搭建神经网络

一、Linux常用 指令

      桌面点击右键 ,选择 Open Terminal 打开终端 
      pwd :打印当前在哪个目录
      ls :列出当前路径下的文件和目录 
      mkdir 目录名: 新建目录
      cd 目录名 :进到指定目录 进到指定目录

      python :运行 Python 解释器 


      使用 cd 目录名 进到指定目录,如果指定的“目录名”是
            .    表示当前目录
            ..   表示当前目录的上一级
            -   表示上一次所在目录
           ~  表示当前用户的 home 目录(即刚 login 时所在的目录)
      如:
           cd .. 返回上级目录
           cd ../.. 返回上两级目录
           cd ~ 进入用户主目录 home 目

二、 vim 编辑器

      vim 文件名 :打开或新建文本 
      在 vimvim 中 点击 i 进入插模式 ,可往文本里写内容 
      ESC+ :+q +回车:退出 vim
      ESC +:+wq+回车:保存更改退出 vim

      ESC +:+q!+回车:不保存更改退出 vim vim

      python b.py :运行文件



三、搭建神经网络

      神经网络的搭建课分四步完成:准备工作、 神经网络的搭建课分四步完成:准备工作、 前向传播、反和循环迭代 。

      神经网络原理见:https://blog.csdn.net/pumpkin_love/article/details/79892874



      举例

      随机产生 32 组生产出的零件体积和重量,训练 3000 轮,每 500 轮输出一次损 失函数。下面我们 通过源代码进一步理解神经网络的实现程 :


#coding:utf-8
#0导入模块,生成模拟数据集。
import tensorflow as tf
import numpy as np
BATCH_SIZE=8
seed=23455

#基于seed产生随机数
rng=np.random.RandomState(seed)
#随机数返回32行2列的矩阵,表示32组体积和质量,作为输入数据集
X=rng.rand(32,2)
#从X这个32行2列的矩阵中取出一行,判断如果和小于1,给Y赋值1;如果和不小于1,给Y赋值0
#作为输入数据集的标签(正确答案)
Y=[[int(x0+x1<1)] for (x0,x1) in X]
print "X:\n",X
print"Y:\n",Y

#1定义神经网络的输入,参数和输出,定义前向传播过程
x=tf.placeholder(tf.float32,shape=(None,2))
y_=tf.placeholder(tf.float32,shape=(None,1))

w1=tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))
w2=tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))

a=tf.matmul(x,w1)
y=tf.matmul(a,w2)
 
#2定义损失函数及反向传播方法
loss=tf.reduce_mean(tf.square(y-y_))
train_step=tf.train.GradientDescentOptimizer(0.001).minimize(loss)
#train_step=tf.train.MomentumOptimzer(0.001,0.9).minimize(loss)
#train_step=tf.train.AdamOptimizer(0.001).minimize(loss)

#3生成会话,训练STEPS轮
with tf.Session() as sess:
    init_op=tf.global_variables_initializer()
    sess.run(init_op)
    #输出未经训练的参数取值
    print"w1:\n",sess.run(w1)
    print"w2:\n",sess.run(w2)
    print"\n"
 
    #训练模型
    STEPS=3000
    for i in range(STEPS)
        start=(i*BATCH_SIZE)%32
        end=start+BATCH_SIZE
        sess.run(train_step,feed_dict={x: X[start:end],y_: Y[start:end]})
        if i % 500==0:
            total_loss=sess.run(loss,feed_dict={x: X,y_: Y})
            print("After %d training step(s),loss on all data is %g" % (i,total_loss))
 
    #输出训练后的参数取值
    print"\n"
    print"w1:\n",sess.run(w1)
    print"w2:\n",sess.run(w2)


  • 1
    点赞
  • 12
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值