TensorFlow之创建神经网络

本文主要介绍使用TensorFlow框架创建一个简单的神经网络并进行训练

import tensorflow as  tf
import numpy as np

增加层，参数如下：
param input:
神经网络层的输入
param in_zize:
输入数据的大小
param out_size:
输出数据的大小
param activation_function:
神经网络激活函数，默认没有

def add_layer(inputs,in_size,out_size,activation_function=None):
Weights = tf.Variable(tf.random_normal([in_size,out_size]))
biases = tf.Variable(tf.zeros([1,out_size])+0.1)
Wx_plus_b = tf.matmul(inputs,Weights)+biases
if activation_function is None:
    outputs = Wx_plus_b
else:
   outputs = activation_function(Wx_plus_b)
return outputs

构造输入数据（我们用神经网络拟合x_data和y_data之间的关系）

x_data = np.linspace(-1,1,300)[:, np.newaxis] #-1到1等分300份形成的二维矩阵
noise = np.random.normal(0,0.05, x_data.shape) #噪音，形状同x_data在0-0.05符合正态分布的小数
y_data = np.square(x_data)-005.5+noise #x_data平方，减0.05，再加噪音值

xs = tf.placeholder(tf.float32,[None,1])#定义输入数据占位符，None是样本数目，表示多少输入数据都行，1是输入数据的特征数目
ys = tf.placeholder(tf.float32,[None,1])

增加隐藏层，创建一个具有输入层、隐藏层、输出层的神经网络，神经元个数为1，10，1

l1 = add_layer(xs,1,10,activation_function=tf.nn.relu)
prediction = add_layer(l1,10,1,activation_function=None)

定义神经网络的参数，损失函数、训练过程

loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1]))#在第一维上，偏差平方后求和，再求平均值，来计算损失
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)# 使用梯度下降法，设置步长0.1，来最小化损失

对所有的变量初始化，执行初始化工作

init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)

开始训练，传入数据。placeholder和feed_dict是一一对应的

for i in range(1000):
    sess.run(train_step,feed_dict={xs:x_data,ys:y_data})
    if i%50 == 0:
        print(sess.run(loss,feed_dict={xs:x_data,ys:y_data}))