tensorflow学习之给神经网络喂数据——five

参数：即权重，用变量表示，随机给初值
w=tf.Variable(tf.random_normal([2,3],stddev=2,mean=0,seed=1))
random_normal表示正态分布，[2,3]表示产生2*3矩阵，stddev表示标准差为2，mean表示均值为0，seed表示随机种子
tf.truncated_normal()表示去掉过大偏离点的正态分布
tf.random_uniform()表示平均分布
tf.zeros ——全0数组：tf.zeros([3,2],int32)生成[[0,0],[0,0],[0,0]]
tf.ones——全1数组
tf.fill——全定值数组
tf.constant——直接给值

神经网络实现过程

1.准备数据集，提取特征，作为输入喂给神经网络
2.搭建NN结构，从输入到输出（前向传播算法——>计算输出）
3.大量特征数据喂给NN，迭代优化NN参数（反向传播算法——>优化参数训练模型）
4.使用训练好的模型预测和分类

前向传播

搭建模型，实现推理



以下为一个例子：搭建神经网络

import tensorflow as tf
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))
a=tf.matmul(x,w1)
y=tf.matmul(a,w2)
with tf.Session() as sess:
    init_op=tf.global_variables_initializer()
    sess.run(init_op)
    print ("y in 前向传播 is :\n",sess.run(y))

结果如下：
给神经网络喂一组数据：

喂n组数据：