深度学习笔记8：利用Tensorflow搭建神经网络

欢迎关注天善智能，我们是专注于商业智能BI，人工智能AI，大数据分析与挖掘领域的垂直社区，学习，问答、求职一站式搞定！

对商业智能BI、大数据分析挖掘、机器学习，python，R等数据领域感兴趣的同学加微信：tsaiedu，并注明消息来源，邀请你进入数据爱好者交流群，数据爱好者们都在这儿。

作者简介：

鲁伟：一个数据科学践行者的学习日记。数据挖掘与机器学习，R与Python，理论与实践并行。

个人公众号：数据科学家养成记 （微信ID：louwill12）

配套学习视频教程： 手把手教你用Python 实践深度学习

在笔记7中，笔者和大家一起入门了Tensorflow的基本语法，并举了一些实际的例子进行了说明，终于告别了使用numpy手动搭建的日子。所以我们将继续往下走，看看如何利用Tensorflow搭建神经网络模型。

尽管对于初学者而言使用Tensorflow看起来并不那么习惯，需要各种步骤，但简单来说，Tensorflow搭建模型实际就是两个过程：创建计算图和执行计算图。在 deeplearningai 课程中，NG和他的课程组给我们提供了Signs Dataset（手势）数据集，其中训练集包括1080张64x64像素的手势图片，并给定了 6 种标注，测试集包括120张64x64的手势图片，我们需要对训练集构建神经网络模型然后对测试集给出预测。

      先来简单看一下数据集：

# Loading the datasetX_train_orig, Y_train_orig, X_test_orig, Y_test_orig, classes = load_dataset()# Flatten the training and test imagesX_train_flatten = X_train_orig.reshape(X_train_orig.shape[0], -1).T

X_test_flatten = X_test_orig.reshape(X_test_orig.shape[0], -1).T# Normalize image vectorsX_train = X_train_flatten/255.X_test = X_test_flatten/255.# Convert training and test labels to one hot matricesY_train = convert_to_one_hot(Y_train_orig, 6)

Y_test= convert_to_one_hot(Y_test_orig,6)print("number of training examples = "+ str(X_train.shape[1]))print("number of test examples = "+ str(X_test.shape[1]))print("X_train shape: "+ str(X_train.shape))print("Y_train shape: "+ str(Y_train.shape))print("X_test shape: "+ str(X_