tensorflow使用笔记（二）简单神经网络模型的搭建

tensorflow使用笔记（二）

---

tensorflow使用笔记（一）Session的两种使用方式和tensorflow中的变量
tensorflow使用笔记（二）简单神经网络模型的搭建
tensorflow使用笔记（三）tensorboard可视化

---

---

搭建一个简单的网络模型

简单的搭建一个三层网络结构的模型：

import tensorflow as tf
import numpy as np
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

# 定义一个网络层
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)
    # tf.cast(inputs, tf.float32)： 把inputs转化成tf中float32的格式
    Wx_plus_b = tf.matmul(tf.cast(inputs, tf.float32), Weights) + biases

    # 如果没有激活函数，直接输出输入值
    if activation_function is None:
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b)
    return outputs

# 定义输入值为 从 -1 到 1 范围的 300*1 的矩阵
x_data = np.linspace(-1, 1, 300)[:, np.newaxis]
# 定义 noise 往 y_data 中加入 一些随机偏差， 使其 不完全等于 x的 平方 - 0.5 ，作用：看起来更接近真实分布
noise = np.random.normal(0, 0.05, x_data.shape)
y_data = np.square(x_data) - 0.5 + noise

# l1 为 隐藏层 的输出，激活函数为 ReLu函数
l1 = add_layer(x_data, 1, 10, tf.nn.relu)
# prediction 为 输出层的输出，没有激活函数
prediction = add_layer(l1, 10, 1, None)

# 计算损失值 ，reduction_indices=[1] 是把 计算结果压缩成一列  reduction_indices=[0]  是把 计算结果压缩成一行
loss = tf.reduce_mean(tf.reduce_sum(tf.square(y_data - prediction), reduction_indices=[1]))
# 使用梯度下降法训练模型 ，学习率为 0.2
train = tf.train.GradientDescentOptimizer(0.5).minimize(loss)

init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)

    for step in range(2000):
        sess.run(train)

        if step % 100 == 0:
            print('loss:%f' % (sess.run(loss)))

结果：
接着我们使用matplotlib模块把模型的数据分布用图形显示：

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'


# 定义一个网络层
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)
    # tf.cast(inputs, tf.float32)： 把inputs转化成tf中float32的格式
    Wx_plus_b = tf.matmul(tf.cast(inputs, tf.float32), Weights) + biases

    # 如果没有激活函数，直接输出输入值
    if activation_function is None:
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b)
    return outputs

# 定义输入值为 从 -1 到 1 范围的 300*1 的矩阵
x_data = np.linspace(-1, 1, 300)[:, np.newaxis]
# 定义 noise 往 y_data 中加入 一些随机偏差， 使其 不完全等于 x的 平方 - 0.5 ，作用：看起来更接近真实分布
noise = np.random.normal(0, 0.05, x_data.shape)
y_data = np.square(x_data) - 0.5 + noise

# l1 为 隐藏层 的输出，激活函数为 ReLu函数
l1 = add_layer(x_data, 1, 10, tf.nn.relu)
# prediction 为 输出层的输出，没有激活函数
prediction = add_layer(l1, 10, 1, None)

# 计算损失值 ，reduction_indices=[1] 是把 计算结果压缩成一列  reduction_indices=[0]  是把 计算结果压缩成一行
loss = tf.reduce_mean(tf.reduce_sum(tf.square(y_data - prediction), reduction_indices=[1]))
# 使用梯度下降法训练模型 ，学习率为 0.2
train = tf.train.GradientDescentOptimizer(0.2).minimize(loss)

init = tf.global_variables_initializer()


with tf.Session() as sess:
    sess.run(init)
    # 开启一个画图的窗口
    fig = plt.figure()
    # 设置图像显示的时候 x， y轴比例1:1
    ax = fig.add_subplot(1,1,1)
    # 以离散点的形式显示真实分布情况
    ax.scatter(x_data, y_data)
    # 开启连续画图
    plt.ion()
    plt.show()

    for step in range(1000):
        sess.run(train)
        # 在绘制出图形时我们随即移除，然后让他显示下一条，以实现动态展示模型更新
        try:
            ax.lines.remove(lines[0])
        except:
            pass
        if step % 10 == 0:
            # print('loss:%f' % (sess.run(loss)))
            sess.run(l1)
            lines = ax.plot(x_data, sess.run(prediction), 'r-', lw=5)
            plt.pause(0.5)
    plt.pause(0)

结果：

参考：莫烦python教程 https://www.bilibili.com/video/av16001891/