tensorflow学习笔记

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))