我们使用第一个Tensorflow程序类似于HelloWord,用来测试安装环境,同时也可以使同学们直观的感受一下Tensorflow的魅力:
我们构造一个满足一元二次函数 y = ax2 + b 的原始数据,然后构建一个最简单的神经网络,仅包含一个输入层,一个隐藏层和一个输出层,通过Tensorflow将将隐藏层和输出层的weitghts和biases的值学习出来,看看随着训练次数的增加,损失值是不是不断减少。
# coding=utf-8
import tensorflow as tf
import numpy as np
#构造满足一元二次方程的函数
x_data = np.linspace(-1, 1, 300)[:, np.newaxis]
#加入一些噪声
noise = np.random.normal(0, 0.05, x_data.shape)
y_data = np.square(x_data) - 0.5 + noise
xs = tf.placeholder(tf.float32, [None, 1])
ys = tf.placeholder(tf.float32, [None, 1])
#定义添加层的函数
def add_layer(inputs, 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(inputs, weights) + biases
if activation_function is None:
outputs = Wx_plus_b
else:
outputs = activation_function(Wx_plus_b)
return outputs
#构造隐藏层
h1 = add_layer(xs, 1, 20, activation_function=tf.nn.relu)
#构造输出层
prediction = add_layer(h1, 20, 1, activation_function=None)
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),
reduction_indices=[1]))
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
#初始化所以变量(注:老版本和新版本的方法名字有差异)
init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)
#训练1000次
for i in range(1000):
sess.run(train_step, feed_dict={xs: x_data, ys: y_data})
if i % 50 == 0:
print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))