机器学习 Tensorflow基本句法2 前向传播

先把程序放上：

#coding:utf-8
#用 placeholder 实现输入定义（sess.run 中喂入一组数据）的情况
#第一组喂体积 0.7、重量 0.5

import tensorflow as tf
#定义输入和参数
x=tf.placeholder(tf.float32,shape=(1,2))
w1=tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))
w2=tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))
#定义前向传播过程
a=tf.matmul(x,w1)
y=tf.matmul(a,w2) #用会话计算结果
with tf.Session() as sess:
    init_op=tf.global_variables_initializer()
    sess.run(init_op)
    print("y in tf3_3.py is:")
    print(sess.run(y,feed_dict={x:[[0.7,0.5]]}) )

首先我们先看一下这个神经网络的结构：

输入数据是一个1行两列的数据。

w1参数（注意这里的w1就不是一个参数了，而是一个层面的参数）层面是一个矩阵，为2行3列，我们先画出输入数据和第一个隐含层的结构：

我们可以看到，隐含层的三个数是由x1和x2计算得到的，一共有6条线，正好对应了2*3的矩阵。

虽然不知道怎么排列也没有关系，不过学习最好是做到知根知底。这里详细列一下：

相应的矩阵：

[x1 x2]   [a11]  [a21]  [a31]
          [a12]  [a22]  [a32]

看到这里我想大家对结构就很了解了。

这样会输出一个1行3列的数组。然后进入下一个隐含层。

用于计算的设置的函数如下：

tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)

• shape: 一维的张量，也是输出的张量。
• mean: 正态分布的均值。
• stddev: 正态分布的标准差。
• dtype: 输出的类型。
• seed: 一个整数，当设置之后，每次生成的随机数都一样。
• name: 操作的名字

然后我们定义了前项操作的顺序，就是一系列的矩阵运算的结合。

计算图设计好了之后就是通过会话来进行计算了。

要首先初始化所有的

init_op=tf.global_variables_initializer()

因为在有tf.Variable代码运行的程序中，因为tf中建立的随机变量是没有被初始化的，参考别人所说，在运行时它还不是一个tensor量，而是一个Variable变量类型，所以需要先进行初始化。

然后我们运行，查看结果。

y in tf3_3.py is:
[[3.0904665]]

输出数据是一个，对应了我们隐含层的矩阵 3行1列，在一系列矩阵运算后是一个1行1列的矩阵（注意不是一个数，这也是矩阵）。

还可以设置多个输入变量：

x=tf.placeholder(tf.float32,shape=(None,2))

首先不确定输入变量的行数。

然后在运行中加入输入量：

sess.run(y,feed_dict={x:[[0.7,0.5],[0.2,0.3],[0.3,0.4]，[0.4,0.5]]}

就可以同时计算输出好几个数据。