TensorFlow定义隐藏层的方法

最近在学习TensorFlow，跟着教程敲了很多代码，但是也只是仅仅跟着敲，虽然也写过简单的隐藏层，但是真正要自己敲一个隐藏层还是感觉一脸懵逼，于是就有了这篇简短的博客。

初学者在写隐藏层的时候通常会遇到以下两个疑问：

• 不知道如何设置张量的维度
• 不知道该选什么激活函数

设置隐藏层维度

观察下面这段关于mnist手写识别数字的代码：

# 第二步、定义神经网络模型
# 输入层
x = tf.placeholder(tf.float32, [None, 784])
y = tf.placeholder(tf.float32, [None, 10])

# ///隐藏层//
w1 = tf.Variable(tf.truncated_normal([784, 500], stddev=0.1))
b1 = tf.Variable(tf.zeros([500]))
L1 = tf.nn.relu(tf.matmul(x, w1) + b1)

w2 = tf.Variable(tf.truncated_normal([500, 300], stddev=0.1))
b2 = tf.Variable(tf.zeros([300]))
L2 = tf.nn.relu(tf.matmul(L1, w2) + b2)
# ///隐藏层//

# 输出层
w3 = tf.Variable(tf.truncated_normal([300, 10], stddev=0.1))
b3 = tf.Variable(tf.zeros([10]))
prediction = tf.nn.softmax(tf.matmul(L2, w3)+b3)

上面这段代码中，输入层是一个n行784列的张量；紧接着我们的第一层隐藏层的权重w1行数就变成了784，列数我们可以自己定义，我这里定义为500；第二个隐藏层w2的行数又等于上一个隐藏层的列数500，行数也是自定义为300；到了输出层w3则行数为300，输出必定为10，因为我们要预测的是0到9的数字。此外，偏置值b必定等于列数。
如果你无法理解以上的内容，你可以参照矩阵的乘法。在矩阵的乘法里，两个相乘的矩阵必须乘数的列数等于另一个乘数的行数，要不然矩阵乘法不成立。

设置激活函数

这里主要区分一下激活函数的作用，到时候选用的时候对照着就可以了，softmax一般放在输出层：

• ReLU - 用于隐层神经元输出
• tanh- 用于隐层神经元输出
• Sigmoid - 用于隐层神经元输出
• Softmax - 用于多分类神经网络输出
• Linear - 用于回归神经网络输出（或二分类问题）

结束线/

欢迎大家加入Q群讨论：463255841

结束线/