掌握一个编程语言先从手写经典代码开始

最新推荐文章于 2022-09-27 08:08:34 发布

eason_by_step

最新推荐文章于 2022-09-27 08:08:34 发布

阅读量263

点赞数

分类专栏：技术语言心得碎语文章标签： tensorflow 深度学习

本文链接：https://blog.csdn.net/eason_by_step/article/details/105961689

版权

本文讲述了作者在重温TensorFlow实战书籍时，通过亲手编写关键代码理解深度神经网络的过程。强调了从定义网络结构、损失函数、优化方法到数据准备和会话构建的重要性，并分享了自我实践的心得体会。

摘要由CSDN通过智能技术生成

如题都是扯淡的，倒是在第一次看tensorflow实战这本书的时候，没有特别的在意代码的实现，以至于看完后觉得很有道理，但是让自己来编写一个深度神经网络时，不知道从合作下手，因为之前都是在看（或者誊写）书本上的代码，觉得很有道理，然后就没有然后了。

这次重温这本书，过程中的关键代码，都做了闭卷自己来写一遍、一遍又一遍（当然是换一点自己的想法后来写），慢慢的也就了解到了大致的tensorflow的最小化模型：

定义网络结构：包含输入输出定义（placeholder），参数定义啊（如weight变量、bias变量等等），中间层计算操作（如逐层的矩阵相乘等等）；
定义损失函数：（分类问题和回归问题的常用损失函数啊，或者针对具体的问题进行的特殊定义等）
定义优化方法：（包含学习步骤啊，优化方法啊等等）
准备数据：（有些用的数据集读入，或者用随机函数进行生成组合）
会话构建
1. 初始化所有的变量
2. 对数据进行分批次的训练，不断更新变量参数
3. 存下来相关的图结构和变量变化过程

虽然到目前为此依然没有写出一个标准数据集上的经典算法，但是已经把入门的小小方法做了多次变动实现，如下，以作纪念，主要参考《Tensorflow+实战Google深度学习框架》：

# -*-coding:utf-8 -*-

import tensorflow as tf
from numpy.random import RandomState

# prepare the network
batch_size = 8
x = tf.placeholder(tf.float32, shape=(None, 2), name="x-input")
y_ = tf.placeholder(tf.float32, shape=(None, 1), name="y-input")

w = tf.Variable(tf.ra