基于tensorflow的简单BP神经网络的结构搭建

之前的一篇博客专门介绍了神经网络的搭建,是在python环境下基于numpy搭建的,之前的numpy版两层神经网络,不能支持增加神经网络的层数。最近看了一个介绍tensorflow的视频,介绍了关于tensorflow的构建神经网络的方法,特此记录。

tensorflow的构建封装的更加完善,可以任意加入中间层,只要注意好维度即可,不过numpy版的神经网络代码经过适当地改动也可以做到这一点,这里最重要的思想就是层的模型的分离。

import tensorflow as tf 
import numpy as np 

def addLayer(inputData,inSize,outSize,activity_function = None):
	Weights = tf.Variable(tf.random_normal([inSize,outSize])) 
	basis = tf.Variable(tf.zeros([1,outSize])+0.1)  
	weights_plus_b = tf.matmul(inputData,Weights)+basis
	if activity_function is None:
		ans = weights_plus_b
	else:
		ans = activity_function(weights_plus_b)
	return ans


x_data = np.linspace(-1,1,300)[:,np.newaxis] # 转为列向量
noise = np.random.normal(0,0.05,x_data.shape)
y_data = np.square(x_data)+0.5+noise


xs = tf.placeholder(tf.float32,[None,1]) # 样本数未知,特征数为1,占位符最后要以字典形式在运行中填入
ys = tf.placeholder(tf.float32,[None,1])

l1 = addLayer(xs,1,10,activity_function=tf.nn.relu) # relu是激励函数的一种
l2 = addLayer(l1,10,1,activity_function=None)
loss = tf.reduce_mean(tf.reduce_sum(tf.square((ys-l2)),reduction_indices = [1]))#需要向相加索引号,redeuc执行跨纬度操作

train =  tf.train.GradientDescentOptimizer(0.1).minimize(loss) # 选择梯度下降法

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

for i in range(10000):
	sess.run(train,feed_dict={xs:x_data,ys:y_data})
	if i%50 == 0:
		print sess.run(loss,feed_dict={xs:x_data,ys:y_data})


已标记关键词 清除标记
©️2020 CSDN 皮肤主题: 大白 设计师:CSDN官方博客 返回首页