神经网络的参数: 是指神经元线上的权重 w, 用变量表示, 一般会先随机生成这些参数。生成参数的方法是让 w 等于 tf.Variable,把生成的方式写在括号里。神经网络中常用的生成随机数/数组的函数有:
tf.random_normal() 生成正态分布随机数
tf.truncated_normal() 生成去掉过大偏离点的正态分布随机数
tf.random_uniform() 生成均匀分布随机数
②如果没有特殊要求标准差、 均值、 随机种子是可以不写的。
tf.random_normal() 生成正态分布随机数
tf.truncated_normal() 生成去掉过大偏离点的正态分布随机数
tf.random_uniform() 生成均匀分布随机数
tf.zeros | 表示生成全 0 数组 |
tf.ones | 表示生成全 1 数组 |
tf.fill | 表示生成全定值数组 |
tf.constant | 表示生成直接给定值的数组 |
# Copyright (c)2018, 东北大学软件学院学生
# All rightsreserved
# 文件名称:test.py
# 作 者:孔云
#问题描述:利用Tensorflow,实现前向传播过程
#coding:utf-8
#两层简单神经网络(全连接)
import tensorflow as tf
#定义输入和参数
x = tf.constant([[0.7, 0.5]])
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,把每层输入乘以线上的权重 w,这样用矩阵乘法可以计算出输出 y
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() #初始化所有变量
sess.run(init_op)
print ("the result of y is:\n",sess.run(y))
运行结果如下:
注释:这是一个实现神经网络前向传播过程, 网络可以自动推理出输出 y 的值。
此外:①随机种子如果去掉每次生成的随机数将不一致。②如果没有特殊要求标准差、 均值、 随机种子是可以不写的。