在这篇博客中,我们将利用Tensorflow搭建一个简单的三层神经网络,分别是一个输入层,一个隐藏层和一个输出层。并且,我们采用sigmoid函数作为激活函数。
第一,我们先构建神经网络模型,其中w_layer_1是输入层到隐藏层之间的连接矩阵,然后用sigmoid函数来作为激活函数,w_layer_2是隐藏层到输出层之间的连接矩阵。
# 定义输入层到隐藏层之间的连接矩阵
w_layer_1 = init_weights([784, 625])
# 定义隐藏层到输出层之间的连接矩阵
w_layer_2 = init_weights([625, 10])
def model(X, w_layer_1, w_layer_2):
# 我们采用 sigmoid 函数来作为激活函数
h = tf.nn.sigmoid(tf.matmul(X, w_layer_1))
return tf.matmul(h, w_layer_2)
第二,我们还是采用softmax和交叉熵来训练我们的模型。
# 训练模型,我们计算交叉熵的平均值和采用梯度下降法来训练
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(py_x, Y))
learning_rate = 0.01
train_op = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)
完整代码,如下:
#!/usr/bin/env python
# -*- coding: utf-8 -*-
import numpy as np
import tensorflow as tf
import input_data
def init_weights(shape):
return tf.Variable(tf.random_normal(shape, stddev = 0.01))
def model(X, w_layer_1, w_layer_2):
# 我们采用 sigmoid 函数来作为激活函数
h = tf.nn.sigmoid(tf.matmul(X, w_layer_1))
return tf.matmul(h, w_layer_2)
# 导入数据
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
trX, trY, teX, teY = mnist.train.images, mnist.train.labels, mnist.test.images, mnist.test.labels
X = tf.placeholder("float", [None, 784])
Y = tf.placeholder("float", [None, 10])
# 定义输入层到隐藏层之间的连接矩阵
w_layer_1 = init_weights([784, 625])
# 定义隐藏层到输出层之间的连接矩阵
w_layer_2 = init_weights([625, 10])
# 搭建模型
py_x = model(X, w_layer_1, w_layer_2)
# 训练模型,我们计算交叉熵的平均值和采用梯度下降法来训练
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(py_x, Y))
learning_rate = 0.01
train_op = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)
predict_op = tf.argmax(py_x, 1)
with tf.Session() as sess:
init = tf.initialize_all_variables()
sess.run(init)
for i in xrange(100):
for start, end in zip(range(0, len(trX), 128), range(128, len(trX), 128)):
sess.run(train_op, feed_dict = {X: trX[start:end], Y: trY[start:end]})
print i, np.mean(np.argmax(teY, axis = 1) == sess.run(predict_op, feed_dict = {X: teX, Y: teY}))