【Tensorflow】-【学习笔记5】-建造我们第一个神经网络

有趣的学习

已于 2022-06-17 17:28:01 修改

阅读量261

点赞数 1

分类专栏：笔记 tensorflow学习笔记文章标签：神经网络 tensorflow 深度学习机器学习 python

于 2020-11-30 21:03:05 首次发布

本文链接：https://blog.csdn.net/weixin_40852935/article/details/110387392

版权

笔记同时被 2 个专栏收录

54 篇文章 14 订阅

订阅专栏

tensorflow学习笔记

14 篇文章 2 订阅

订阅专栏

建造我们第一个神经网络

plot the real data

定义 add_layer()

在 Tensorflow 里定义一个添加层的函数可以很容易的添加神经层,为之后的添加省下不少时间.

神经层里常见的参数通常有weights、biases和激励函数。

首先，我们需要导入tensorflow模块。

import tensorflow as tf

然后定义添加神经层的函数def add_layer(),它有四个参数：输入值、输入的大小、输出的大小和激励函数，我们设定默认的激励函数是None。

def add_layer(inputs, in_size, out_size, activation_function=None):

接下来，我们开始定义weights和biases。

因为在生成初始参数时随机变量(normal distribution)会比全部为0要好很多，
所以我们这里的Weights为一个in_size行, out_size列的随机变量矩阵。

Weights = tf.Variable(tf.random_normal([in_size, out_size]))

在机器学习中，biases的推荐值不为0，所以我们这里是在0向量的基础上又加了0.1。

biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)
下面，我们定义Wx_plus_b, 即神经网络未激活的值。其中，tf.matmul()是矩阵的乘法。

Wx_plus_b = tf.matmul(inputs, Weights) + biases

当activation_function——激励函数为None时，输出就是当前的预测值——Wx_plus_b

不为None时，就把Wx_plus_b传到activation_function()函数中得到输出。

if activation_function is None:
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b)

最后，返回输出，添加一个神经层的函数——def add_layer()就定义好了。

return outputs

创建神经网络

构建所需的数据。这里的x_data和y_data并不是严格的一元二次函数的关系，因为我们多加了一个noise,这样看起来会更像真实情况。

import numpy as np
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

The defined placeholders (both x and y) are 2-dimensional, so you should reshape the input arrays to rank 2. Try to add this

x_data = x_data.reshape([-1,1])
y_data = y_data.reshape([-1,1])

利用占位符定义我们所需的神经网络的输入。 **tf.placeholder()**就是代表占位符，这里的None代表无论输入有多少都可以，因为输入只有一个特征，所以这里是1。

xs = tf.placeholder(tf.float32, [None, 1])
ys = tf.placeholder(tf.float32, [None, 1])

接下来，我们就可以开始定义神经层了。通常神经层都包括输入层、隐藏层和输出层。这里的输入层只有一个属性，所以我们就只有一个输入；隐藏层我们可以自己假设，这里我们假设隐藏层有10个神经元；输出层和输入层的结构是一样的，所以我们的输出层也是只有一层。所以，我们构建的是——输入层1个、隐藏层10个、输出层1个的神经网络。

完整代码

import tensorflow as tf
import numpy as np

tf.compat.v1.disable_eager_execution()
#定义添加神经层的函数def add_layer(),
#输入值、输入的大小、输出的大小和激励函数
#我们设定默认的激励函数是None。
def add_layer(inputs,in_size,out_size,activation_function=None):

    #因为在生成初始参数时，随机变量(normal distribution)会比全部为0要好很多
    #所以我们这里的Weights为一个in_size行, out_size列的随机变量矩阵。
    Weights = tf.Variable(tf.compat.v1.random_normal([in_size,out_size]))
    #biases的推荐值不为0，所以我们这里是在0向量的基础上又加了0.1
    biases = tf.Variable(tf.zeros([1,out_size])+0.1)
    #Wx_plus_b为神经网络未激活的值.tf.matmul()是矩阵的乘法。
    Wx_plus_b = tf.matmul(inputs,Weights) + biases
    #当激励函数为None时输出就是当前的预测值——Wx_plus_b
    # 不为None时，就把Wx_plus_b传到activation_function()函数中得到输出。
    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)[:np.newaxis]
#加点噪点noise
noise = np.random.normal(0, 0.05, x_data.shape)
y_data = np.square(x_data)-0.5 + noise
x_data = x_data.reshape([-1,1])
y_data = y_data.reshape([-1,1])
xs = tf.compat.v1.placeholder(tf.float32, [None, 1])
ys = tf.compat.v1.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)
#在reduce_sum()函数中参数：reduction_indices已经被废弃，
# 取而代之的是参数：axis
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),
                    axis=[1]))
train_step = tf.compat.v1.train.GradientDescentOptimizer(0.1).minimize(loss)

init = tf.compat.v1.initialize_all_variables()
sess = tf.compat.v1.Session()
sess.run(init)

for i in range(3000):
    sess.run(train_step, feed_dict={xs: x_data, ys: y_data})
    if i % 100 == 0:
        print("loss",i,":",sess.run(loss, feed_dict={xs: x_data, ys: y_data}))

输出结果：

loss 0 : 0.19589649
loss 100 : 0.010356216
loss 200 : 0.0043438473
loss 300 : 0.0032807668
loss 400 : 0.0030925728
loss 500 : 0.0029663213
loss 600 : 0.0028795048
loss 700 : 0.0028170738
loss 800 : 0.0027751224
loss 900 : 0.0027430584
loss 1000 : 0.0027192773
loss 1100 : 0.0026999624
loss 1200 : 0.002700134
loss 1300 : 0.0032784946
loss 1400 : 0.010102514
loss 1500 : 0.0030150362
loss 1600 : 0.002679643
loss 1700 : 0.002650431
loss 1800 : 0.0026410439
loss 1900 : 0.0026374548
loss 2000 : 0.002641836
loss 2100 : 0.0027119485
loss 2200 : 0.0034197744
loss 2300 : 0.0055820374
loss 2400 : 0.0034023232
loss 2500 : 0.0027240016
loss 2600 : 0.002637635
loss 2700 : 0.0026169182
loss 2800 : 0.0026102483
loss 2900 : 0.0026087416

Process finished with exit code 0

结果可视化

matplotlib 可视化
构建图形，用散点图描述真实数据之间的关系。（注意：plt.ion()用于连续显示。）

plot the real data

fig = plt.figure()
ax = fig.add_subplot(1,1,1)
ax.scatter(x_data, y_data)
plt.ion()#本次运行请注释，全局运行不要注释
plt.show()

散点图的结果为：
在这里插入图片描述
接下来，我们来显示预测数据。

每隔50次训练刷新一次图形，用红色、宽度为5的线来显示我们的预测数据和输入之间的关系，并暂停0.1s。

for i in range(1000):
    # training
    sess.run(train_step, feed_dict={xs: x_data, ys: y_data})
    if i % 50 == 0:
        # to visualize the result and improvement
        try:
            ax.lines.remove(lines[0])
        except Exception:
            pass
        prediction_value = sess.run(prediction, feed_dict={xs: x_data})
        # plot the prediction
        lines = ax.plot(x_data, prediction_value, 'r-', lw=5)
        plt.pause(0.1)

最后，机器学习的结果为：
在这里插入图片描述
完整代码，tf2.0，已调试

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

tf.compat.v1.disable_eager_execution()
#定义添加神经层的函数def add_layer(),
#输入值、输入的大小、输出的大小和激励函数
#我们设定默认的激励函数是None。
def add_layer(inputs,in_size,out_size,activation_function=None):

    #因为在生成初始参数时，随机变量(normal distribution)会比全部为0要好很多
    #所以我们这里的Weights为一个in_size行, out_size列的随机变量矩阵。
    Weights = tf.Variable(tf.compat.v1.random_normal([in_size,out_size]))
    #biases的推荐值不为0，所以我们这里是在0向量的基础上又加了0.1
    biases = tf.Variable(tf.zeros([1,out_size])+0.1)
    #Wx_plus_b为神经网络未激活的值.tf.matmul()是矩阵的乘法。
    Wx_plus_b = tf.matmul(inputs,Weights) + biases
    #当激励函数为None时输出就是当前的预测值——Wx_plus_b
    # 不为None时，就把Wx_plus_b传到activation_function()函数中得到输出。
    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)[:np.newaxis]
#加点噪点noise
noise = np.random.normal(0, 0.05, x_data.shape)
y_data = np.square(x_data)-0.5 + noise
x_data = x_data.reshape([-1,1])
y_data = y_data.reshape([-1,1])
xs = tf.compat.v1.placeholder(tf.float32, [None, 1])
ys = tf.compat.v1.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)
#在reduce_sum()函数中参数：reduction_indices已经被废弃，
# 取而代之的是参数：axis
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),
                    axis=[1]))
train_step = tf.compat.v1.train.GradientDescentOptimizer(0.1).minimize(loss)

init = tf.compat.v1.initialize_all_variables()
sess = tf.compat.v1.Session()
sess.run(init)
fig = plt.figure()
ax = fig.add_subplot(1,1,1)
ax.scatter(x_data,y_data)
plt.ion()


for i in range(1000):
    sess.run(train_step, feed_dict={xs: x_data, ys: y_data})
    if i % 50 == 0:
        print("loss",i,":",sess.run(loss, feed_dict={xs: x_data, ys: y_data}))
        try:
            ax.lines.remove(lines[0])
        except Exception:
            pass
        prediction_value = sess.run(prediction, feed_dict={xs: x_data})
        # plot the prediction
        lines = ax.plot(x_data, prediction_value, 'r-', lw=5)
plt.pause(0.1)
#plt.ioff()
plt.show()

输出：

loss 0 : 0.24042892
loss 50 : 0.00895267
loss 100 : 0.006815916
loss 150 : 0.0059095607
loss 200 : 0.005349032
loss 250 : 0.004874373
loss 300 : 0.0044414266
loss 350 : 0.0040638433
loss 400 : 0.00377721
loss 450 : 0.0035628453
loss 500 : 0.003364147
loss 550 : 0.0031985692
loss 600 : 0.0030857045
loss 650 : 0.0030024864
loss 700 : 0.002943992
loss 750 : 0.0028949715
loss 800 : 0.002852751
loss 850 : 0.0028125304
loss 900 : 0.002781288
loss 950 : 0.002758322

Process finished with exit code 0

在这里插入图片描述

有趣的学习

关注

1
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
【Tensorflow】-【学习笔记5】-建造我们第一个神经网络

建造我们第一个神经网络定义 add_layer()导入数据完整代码定义 add_layer()在 Tensorflow 里定义一个添加层的函数可以很容易的添加神经层,为之后的添加省下不少时间.神经层里常见的参数通常有weights、biases和激励函数。首先，我们需要导入tensorflow模块。import tensorflow as tf然后定义添加神经层的函数def add_layer(),它有四个参数：输入值、输入的大小、输出的大小和激励函数，我们设定默认的激励函数是None。de
复制链接

扫一扫