# -*- coding: utf-8 -*-
"""
Created on Wed Mar 8 15:07:28 2023
@author: Shawn.Li
"""
import tensorflow as tf
# 创建一个两层的网络,隐藏层有四个节点,激活函数为relu
# 输出层有一个节点
# 是一个多层感知机的网络结构
# Sequential 的中文名字叫做 顺序块
net = tf.keras.models.Sequential([
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(4,activation = tf.nn.relu),
tf.keras.layers.Dense(1)
])
# 在没有输入数据输入之前,第一层的网络并未被初始化,
# 这一层网络的参数是得到第一个输入数据的时候由tf框架自动根据当前情形进行初始化的
print("第一层网络的权重系数:",net.layers[1].weights)
# 创建一个 2×4 的张量
x = tf.random.uniform([2,4])
print("生成的随机向量x:",x)
# 把生成的张量x作为输入传给多层感知机网络
# 输入是一个2×4的矩阵,网络会自动根据输入的维度对输入层进行初始化
# 此处输入层被初始化为一个 4×4 的系数矩阵,2×4 × 4×4 ==》 2×4 ,正好作为隐藏层的输入
# 隐藏层处理 输入2×4 × 系数 4×1 ==》 2×1
# 并将结果输出到结果矩阵中
# 所以输入层初始化的时候不仅与输入的维度有关,还跟下一层的维度有关
# 这些是在 layer 或者 model 类的 build()函数中做的,build() 函数跟 call()函数会被
# 基类的魔法函数 _call_()函数先后调用,实现对网络权重系数矩阵的初始化和数据处理
# net(x) 就等同于 net._call_(x) = net.build(x.shape) + net.call(x)
print("x的网络处理输出:",net(x))
# 打印隐藏层的权重系数
# weights 是一个列表成员变量,不是函数,因此可以直接访问,不用括号,可以加中括号index访问具体位置的数据
# layers 是一个列表成员变量,因此需要用中括号里的index进行访问,而不是括号
print(net.layers[1].weights)
print(net.layers[2].weights)
tensorflow 参数管理
最新推荐文章于 2024-07-13 17:28:14 发布