說好的每天一更··結果只堅持了一天···笑
從頭開始學習
#這裡通過numpy工具包來生成模擬資料集
from numpy.random import randomstate
#定義訓練資料batch的大小
batch_size = 8
#定義神經網路引數
w1 = tf.variable(tf.random_normal([2,3],stddev = 1,seed = 1))
w2 = tf.variable(tf.random_normal([3,1],stddev = 1,seed = 1))
#在訓練時需要把資料分成較小的batch
x = tf.placeholder(tf.float32,shape=(none,2),name = 'x-input')
y_ = tf.placeholder(tf.float32,shape=(none,1),name = 'y-input')
#定義神經網路前向傳播過程
a = tf.matmul(x,w1)
y = tf.matmul(a,w2)
#定義損失函式和反向傳播的演算法
cross_entropy = -tf.reduce_mean(y_*tf.log(tf.clip_by_value(y,1e-10,1.0)))
train_step = tf.train.adamoptimizer(0.001).minimize(cross_entropy)
#通過隨機函式生成乙個模擬資料集
rdm = randomstate(1)
dataset_size = 128
x = rdm.rand(dataset_size,2)
y = [[int(x1+x2 < 1)] for (x1,x2) in x]
with tf.session() as sess:
init_op = tf.global_variables_initializer()
sess.run(init_op)
print (sess.run(w1))
print (sess.run(w2))
steps = 5000
for i in range(steps):
start = (i * batch_size) % dataset_size
end = min(start+batch_size,dataset_size)
#通過選取的樣本訓練神經網路並更新引數
sess.run(train_step,feed_dict=)
if i %1000 == 0:
total_cross_entropy = sess.run(cross_entropy,feed_dict=)
print('after %d trainning step(s),cross entrop on
all data is %g'
%(i,total_cross_entropy))
print (sess.run(w1))
print (sess.run(w2))
張量是tensorflow的資料模型，其中輸入和輸出都應該是張量···張量是什麼意思呢···好像不太清楚樣，但是沒關係····張量本身並沒有儲存任何資料，它只是對運算結果的引用。
有個tensorflow遊樂場可以幫助大家更好的理解神經網路
Tensorflow實現乙個簡單的卷積神經網路
今天對照tensorflow的書，實現了乙個簡單的卷積神經網路。基於mnist資料集。在神經網路還未出現之前，在處理影象的問題上都是使用的特徵工程 如sift 特徵工程是有侷限性的。cnn被用於影象處理，不需要將特徵提取和分類訓練兩個過程分開，它在訓練時就自動提取了最有效的特徵。卷積神經網路由多個卷...
TensorFlow實現乙個簡單線性回歸的例子
1 author wsx 2import tensorflow as tf 3import numpy as np 4import matplotlib.pyplot as plt 56 x data np.linspace 0.5,0.5,200 np.newaxis 0.5 0.5 之間產生20...
第乙個tensorflow程式
個人部落格 最近alphago和alphazero的出現，預示著2017年成為人工智慧元年，人工智慧逐漸進入我們的生活和工作的方方面面，如在工作中，阿里巴巴雙十一中，出現了 千人千面 智慧型推薦系統，魯班ai設計師，小蜜機械人，idc智慧型巡檢機械人，還有京東的無人倉庫等。這些都讓我覺得人工智慧越來...