在tensorflow之神经网络的搭建(1)中,简单的介绍了张量,计算图,会话。下面将介绍另外一个很总要的知识点就是参数。
神经网络的参数:是指神经元上的权重w,用变量表示,通常会先随机生成这些参数。生成参数的方法就是tf.Variable.
例:w=tf.Variable(tf.random_normal([2,3],stddev=2,mean=0,seed=1))表示生成正态分布随机数,形状两行三列,标准是2,均值是0,随机种子为1(如果随机种子去掉,每次生成的随机数将不一样)
一、神经网络的搭建:
神经网络的实现过程:
1、准备数据集,提取特征,作为输入喂给神经网络(Neural Network, NN)
2、搭建NN结构,从输入到输出(先搭建计算图,再用会话执行)
(NN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
(NN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
其实神经网络的机器学习主要分为两个过程,训练以及使用过程
训练:第一步,第二步,第三步的循环迭代。
使用:第四部,一旦参数优化完成后就可以固定这些参数,实现特定的应用。
二、前向传播
前向传播就是搭建模型的计算过程,让模型具有推理能力,可以针对一组输入给出相应的输出。
一次喂入多组数据: