教学视频:B站 莫烦
编写的是一个非常基础的神经网络,只有一个隐含层。该神经网络训练结果是为了使Weight和biases更接近于y_data函数。视频是2017年的,TensorFlow版本有点低。
函数:添加层add_layer
import tensorflow as tf
import numpy as np
def add_layer(inputs,in_size,out_size,activation_function):
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
人造数据集
x_data=np.linspace(-1,1,300)[:,np.newaxis]#linspace:生成一个等差函数。newaxis:增加维度,这里是为了矩阵乘法
noise=np.random.normal(0,0.05,x_data.shape)#增加噪声
y_data=np.square(x_data)-0.5+noise
定义层
#placeholder函数,在会话中,运行模型的时候通过feed_dict()函数向占位符喂入数据
xs=tf.placeholder(tf.float32,[None,1])
ys=tf.placeholder(tf.float32,[None,1])
l1=add_layer(xs,1,10,activation_function=tf.nn.relu)#隐含层
prediction=add_layer(l1,10,1,activation_function=None)#输出层
损失函数loss
loss=tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1]))
train_step=tf.train.GradientDescentOptimizer(0.1).minimize(loss)
初始化所有变量(一定!!!)
init=tf.initialize_all_variables()
sess=tf.Session()
sess.run(init)
训练
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}))
出现的错误
InvalidArgumentError: Matrix size-incompatible
原因:矩阵相乘先后有别
将Wx_plus_b=tf.matmul(Weights,inputs)+biases改成Wx_plus_b=tf.matmul(inputs,Weights)+biases(前面代码已改)
涉及的其他知识
tf.multiply和tf.matmul 区别:前者是矩阵元素各自相乘,即矩阵中位置相同的相乘,后者是矩阵乘法