前向神经网络迭代次数过大_Tensorflow笔记三 -- 搭建神经网络

上一篇：Tensorflow笔记一 -- 人工智能概述

一、张量，计算图，会话

基于 Tensorflow 的 NN：用张量表示数据，用计算图搭建神经网络，用会话执行计算图，优化线上的权重(参数)，得到模型。

张量： 张量就是多维数组的表示，用“阶”表示张量的维度

0 阶张量称作标量，表示一个单独的数；

举例：S = 123

1 阶张量称作向量，表示一个一维数组；

举例：V = [1, 2, 3]

2 阶张量称作矩阵，表示一个二维数组，它可以有 i 行 j 列个元素，每个元素可以用行号和列号共同索引到；

举例：m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]

判断张量是几阶的，就通过张量右边的方括号数，0 个是 0 阶，n 个是 n 阶，张量可以表示 0 阶到 n 阶数组(列表)；

举例：t = [ [ [ ···] ] ]为 3 阶。

数据类型： Tensorflow 的数据类型有 tf.float32、tf.int32 等。

举例，我们实现 Tensorflow 的加法：

输出结果的意思为 result 是一个名称为 add:0 的张量，shape=(2,) 表示一维数组长度为 2，dtype=float32 表示数据类型为浮点型。

计算图(Graph)： 搭建神经网络的计算过程，是承载一个或多个计算节点的一张图，只搭建网络，不运算。

举例：在第一讲中我们曾提到过，神经网络的基本模型是神经元，神经元的基本模型其实就是数学中的乘、加运算。我们搭建如下的计算图：

x1、x2 表示输入，w1、w2 分别是 x1 到 y 和 x2 到 y 的权重，y=x1 * w1 + x2 * w2。我们实现上述计算图：

从这里可以看出，print 的结果显示 y 是一