搭建神经网络步骤
1.准备
- 引入相应的Python库
- 常量定义
- 生成数据集以及答案
- 一次喂入神经网络的数据个数;例如有100000个基本数据但不能一次性全输入进去应该从中选择几个输入
2.前向传播
- 定义输入,参数,输出,神经网络层数,定义前向传播方法。
3.反向传播
- 定义损失函数,反性传播方法
4.生成会话完成迭代
- 初始化所有参数
- 定义循环轮数
- 每次循环喂入的数据,标准答案个数(数据集较大情况下)
- 对反向传播进行运算
实例
假设有n个零件每个零件有体积和质量两个特征,体积+质量<1,则合格否则不合格(1:合格,0:不合格)用神经网络来进行预测
代码
#导入模块生成数据集
import tensorflow as tf
import numpy as np
#一次喂入神经网络数据的个数
BATCH_SIZE=8
seed=23455
#基于seed产生随机数
rng=np.random.RandomState(seed)
#随机数返回32行2列的矩阵拜师32组 体积和质量 作为输入数据集
X=rng.rand(32,2)
#从X这个32行2列的矩阵中 取出一行 判断如果和小于1 给Y赋值1 如果和不小于1 给Y赋值0 作为输入数据集的标签(正确答案)
Y=[[int(x0+x1<1)]for (x0,x1) in X]
print("X:",X)
print("Y:",Y)
#定义神经网络的输出,参数,输入,定义前向传播过程
x=tf.placeholder(tf.float32,shape=(None,2))
y_=tf.placeholder(tf.float32,shape=(None,1))
w1=tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))
w2=tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))
a=tf.matmul(x,w1)
y=tf.matmul(a,w2)
#定义损失函数及反向传播方法
loss=tf.reduce_mean(tf.square(y-y_))
train_step=tf.train.GradientDescentOptimizer(0.001).minimize(loss)
#train_step=tf.train.MomentumOptimizer(0.001,0.9)).minimize(loss)
#train_step=tf.train.AdamOptimizer(0.001,0.9)).minimize(loss)
#生成会话,训练
with tf.Session() as sess:
init_op=tf.global_variables_initializer()
sess.run(init_op)
#输出目前(未经训练)的参数值
print("w1:",sess.run(w1))
print("w2:",sess.run(w2))
#训练模型
STEPS=3000
for i in range(STEPS):
start=(i*BATCH_SIZE)%32
end=start+BATCH_SIZE
sess.run(train_step,feed_dict={x: X[start:end],y_:Y[start:end]})
if i %500==0:
total_loss=sess.run(loss,feed_dict={x:X,y_:Y})
print("After{}training step(s),loss on all data is{}".format(i,total_loss))
#输出训练后的参数值
print("w1:",sess.run(w1))
print("w2:",sess.run(w2))