模块化搭建神经网络

一、模块化设计                                                                                                                                              点击此处返回总目录 二、举例       一、模块化设计 以后的程序会逐渐复杂，为了体现程序的层次关系，增加程序的可复用性，大多数的程序要使用模块化的设计思想了。 我们一起来梳理一下。   forward.py       //描述前向传播过程。前向传播就是搭建网络，设计网络结构。 backward.py   //描述反向传播的过程。反向传播的目的是训练网络，优化网络参数。     //forward.py def forward(x, regularizer):                     #forward()函数完成网络结构的设计。给出从输入到输出的数据通路。两个参数：输入x,      w=                                                       正则化权重regularizer.      b=      y=      return y     def get_weight(shape, regularizer):      w=tf.Variable()      tf.add_to_collection('losses',tf.contrib.layers.l2_regularizer(regularizer)(w))    #把每个w的正则化损失加到总损失losses中      return w   def get_bias(shape):                             #参数是b的形状，也就是某层中b的个数。      b=tf.Variable()      return b       //backward.py def backward():      x=tf.placeholder()      y_=tf.placeholder()      y=forward.forward(x,REGULARIZER)      global_step = tf.Variable(0,trainable=