Tensorflow实例-搭建神经网络

Tensorflow 莫凡学习

本篇文章详解讲解了tensorflow的一个简单的实例，具体视频请见B站——Tensorflow 搭建自己的神经网络 (莫烦 Python 教程)。
所采用的框架是 Win10 + Tensorflow1.13 + Pycharm，目标是对Y = x*x 函数进行学习后的拟合。

1、定义层进行修改

def add_layer(inputs, in_size, out_size, activation_function = None):
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

2、数据的导入

# np.newaxis 变成矩阵形式
x_data = np.linspace(-1,1,300)[:,np.newaxis]
#添加噪点,正态分布坐标为0,标准差为0.01
noise = np.random.normal(0,0.05,x_data.shape)
#生成对应的 y 的点
y_data = np.square(x_data) + noise

xs = tf.placeholder(tf.float32,[None,1])
ys = tf.placeholder(tf.float32,[None,1])


设置输入层的初始值
l1 = add_layer(xs,1,10,activation_function = tf.nn.relu)
#设置输出层的初始值
predition = add_layer(l1,10,1,activation_function = None)
#计算误差
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - predition),reduction_indices=[1]))

tf.reduce_mean是计算张量tensor沿指定数轴上的平均值，主要是用做降维或计算图像tensor的平均值。tf.reduce_sum是计算指定轴上方向的所有元素的累加和。

3、搭建tensorflow框架

train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)

sess有两种写法，一种是上图所示的直接用sess = tf.Session()。另一种是类似于文件的打开，采用：with tf.Session() as sess来打开。session是会话控制，是tensorflow为了控制和输出文件的执行语句，运行session.run()可以获得你想要的运算结果。

4、可视化

fig = plt.figure()
ax = fig.add_subplot(1,1,1)
ax.scatter(x_data,y_data)
plt.ion()
plt.show()

对函数的拟合操作进行可视化展示，其中plt.icon()函数表示运行所有的图片而不仅仅只展示plt.show()之前的图片。

5、数据训练

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}))
        try:
            ax.lines.remove(lines[0])
        except Exception:
            pass
        # 计算神经网络的预测值
        predition_value = sess.run(predition,feed_dict = {xs:x_data,ys:y_data})
        # 对预测值可视化展示
        lines = ax.plot(x_data,predition_value,c='r',lw=5)
        plt.pause(0.1)

loss值的打印如下。由图片可以看出，经过神经网络的学习，即经过优化器优化后loss值逐渐变小，具体函数为：tf.train.GradientDescentOptimizer(0.1).minimize(loss)

6、可视化展示结果

如上图所示，蓝色的点即为ax.scatter(x_data,y_data)生成对应x,y数据的散点图。而红色的线表示对预测值的展示，代码为：lines = ax.plot(x_data,predition_value,c=‘r’,lw=5)

7、总体代码如下

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

"""定义层进行修改"""
def add_layer(inputs, in_size, out_size, activation_function = None):
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


"""导入数据"""
# np.newaxis 变成矩阵形式
x_data = np.linspace(-1,1,300)[:,np.newaxis]
# 添加噪点,正态分布坐标为0,标准差为0.01
noise = np.random.normal(0,0.05,x_data.shape)
# 生成对应的 y 的点
y_data = np.square(x_data) + noise

xs = tf.placeholder(tf.float32,[None,1])
ys = tf.placeholder(tf.float32,[None,1])


# 设置输入层的初始值
l1 = add_layer(xs,1,10,activation_function = tf.nn.relu)
# 设置输出层的初始值
predition = add_layer(l1,10,1,activation_function = None)
# 计算误差
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - predition),reduction_indices=[1]))

"""搭建tensorflow网络"""
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

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

"""进行可视化"""
fig = plt.figure()
ax = fig.add_subplot(1,1,1)
ax.scatter(x_data,y_data)
plt.ion()
plt.show()


"""进行训练"""
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}))
    try:
        ax.lines.remove(lines[0])
    except Exception:
        pass
    # 计算神经网络的预测值
    predition_value = sess.run(predition,feed_dict = {xs:x_data,ys:y_data})
    # 对预测值可视化展示
    lines = ax.plot(x_data,predition_value,c='r',lw=5)
    plt.pause(0.1)

plt.pause(100)