暑假补强-2:用tensorflow写简单的神经网络(跟着莫烦python的视频学习)
需要用到的包
- tensorflow as tf
- numpy as np
- matplotlib.pyplot as plt
开始!
添加层函数add_layer
首先写一个添加层的函数add_layer,以方便自己想随时往神经网络中加入神经层
def add_layer(inputs, in_size, out_size, activation_function=none):
'''
inputs是输入的数据,in_size是输入数据的维度,
out_size是输出数据的维度,activation_function是使用的激活函数
'''
# 首先定义权重参数Weights(tf.random_normal()从正态分布中取出随机值
Weights = tf.Variable(tf.random_normal([in_size, out_size])
# 定义偏差参数biases biases不设置为0,百度了一下原因,是为了避免dead neuron,至于具体原因,以后再考究一下
biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)
# 定义好两个参数以后,就可以进行计算了 inputs和Weights的顺序不能乱,tf.matmul是对两个矩阵进行乘法运算,如果两个顺序颠倒,则通常无法运算
Wx_plus_b = tf.matmul(inputs, Weights) + biases
# 最后定义一下激活函数
if activation_function is None:
outputs = Wx_plus_b
else:
outputs = activation_function(Wx_plus_b)
return outputs
至此,我们已经写好了添加层函数
使用numpy生成数据
接下来,先生成一些数据
- 输入值x_data(shape (300, 1))
np.linspace()函数生成的是在指定范围内的等差数列,以下则生成了从-1到1的含300个元素的等差数列。
np.newaxis 是增加新维度,而[:, np.newaxis],则是在列上增加一个轴(新维度)。同样地,[np.newaxis, :]则是在行上增加一个轴(新维度)。
具体可以参考https://blog.csdn.net/weixin_42866962/article/details/82811082
x_data = np.linspace(-1, 1, 300, dtype=np.float32)[:,np.newaxis]
- 噪音noise(shape (300, 1))
获得一个size和x_data一样的,均值为0,标准差为0.05的分布样本
noise = np.random.normal(0, 0.05, x_data.shape).astype(np.float32)
- 标签值y_data
y_data = x_data² - 0.5 + noise
y_data = np.square(x_data) - 0.5 + noise
建立Placeholder先占个位
Placeholder里面还是蕴藏着很多学问的,具体的参考这个大佬的博文:https://blog.csdn.net/kdongyi/article/details/82343712
这里的None表示任何维度都可以
xs = tf.placeholder(tf.float32, [None, 1])
ys = tf.placeholder(tf.float32, [None, 1])
添加神经网络层
接下来,用到前面所写的add_layer来添加层。
首先是隐藏层l1
输入为placeholder xs, 输入一个节点,输出10个节点,相当于10个神经元,激活函数使用的是tf里的relu
l1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu)
输出层prediction
输入为 l1的结果,输入10个节点,输出1个节点,得到对于输入的预测值
prediction = add_layer(l1, 10 ,1, activation_function=None)
定义损失函数loss
就是对预测值和真实值的差取平方求和再平均,reduction_indices参考这篇知乎的答案https://www.zhihu.com/question/51325408/answer/125426642
loss = tf.mean(tf.sum(tf.square(ys-prediction), reduction_indices=[1]))
使用优化器进行训练
train_step = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(loss)
初始化参数
init = tf.global_variables_initializer()
建立会话
在这里,建立会话后并执行初始化
sess = tf.Session()
sess.run(init)
会话和初始化都是很重要的,在tensorflow中,只有tf.Session().run才会执行定义的运算
画出数据散点图
# 创建一个figure
fig = plt.figure()
# 创建编号为1的1×1的子图
ax = fig.add_subplot(1, 1, 1)
# 在子图ax上绘制出x_data对应y_data的散点图
ax.scatter(x_data, y_data)
# 连续显示
plt.ion()
# 显示图片
plt.show()
开始训练并画图
for i in range(1000):
sess.run(train_step, feed_dict={xs:x_data, ys:y_data})
if i %50 == 0:
# 每隔50次显示一次结果,并移除上一次的线
try:
ax.lines.remove(lines[0])
except Exception:
pass
prediction_value = sess.run(prediction, feed_dict={xs:x_data}
# 画出预测值的线
lines = ax.plot(x_data, prediction_value, 'r-', lw=5)
# 每隔0.5秒画一次
使用pycharm写程序的,还需要改一下其他的设置
并在程序最后加上这两句(不要问我为什么,从b站弹幕上找到的)
plt.ioff()
plt.show()
完整代码
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
def add_layer(input_data, 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)
Wx_plus_b = tf.matmul(input_data, Weights) + biases
if activation_function is None:
outputs = Wx_plus_b
else:
outputs = activation_function(Wx_plus_b)
return outputs
x_data = np.linspace(-1, 1, 300, dtype=np.float32)[:,np.newaxis]
noise = np.random.normal(0, 0.05, x_data.shape).astype(np.float32)
y_data = np.square(x_data) - 0.5 + noise
xs = tf.placeholder(tf.float32, [None, 1])
ys = tf.placeholder(tf.float32, [None, 1])
l1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu)
prediction = add_layer(l1, 10, 1, activation_function=None)
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction), reduction_indices=[1]))
train_step = tf.train.ProximalGradientDescentOptimizer(0.1).minimize(loss)
# train_step = tf.train.MomentumOptimizer(0.01, 0.9).minimize(loss)
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
fig = plt.figure()
ax = fig.add_subplot(1, 1, 1)
ax.scatter(x_data, y_data)
plt.ion()
plt.show()
for i in range(1000):
sess.run(train_step, feed_dict={xs : x_data, ys : y_data})
if i % 50 == 0:
try:
ax.lines.remove(lines[0])
except Exception:
pass
print(sess.run(loss, feed_dict={xs:x_data, ys: y_data}))
prediction_value = sess.run(prediction, feed_dict={xs:x_data})
lines = ax.plot(x_data, prediction_value, 'r-', lw=5)
plt.pause(0.5)
plt.ioff()
plt.show()
简单总结
总的来说,莫烦的python很清楚明了,但是对于原理性的知识没有特别深入地讲,而且年代有些久远。如果是想学习理论知识的话,还是建议看一下coursera里吴恩达教授的视频。