本文介紹怎樣建造乙個完整的神經網路,包括新增神經層,計算誤差,訓練步驟,判斷是否在學習.
import tensorflow as tf
import numpy as np
# 構造新增乙個神經層的函式
def add_layer(inputs,in_size,out_size,activation_function=none): # 輸入值，輸入的大小，輸出的大小，激勵函式
weights = tf.variable(tf.random_normal([in_size,out_size])) #定義矩陣 隨機變數生成初始的時候會比全0的好
# 定義weights為乙個in_size行, out_size列的隨機變數矩陣
biases = tf.variable(tf.zeros([1,out_size]) + 0.1) # 推薦初始值不為0
wx_plus_b = tf.matmul(inputs,weights) + biases
# 當激勵函式為none時，輸出就是當前的**值——wx_plus_b
# 不為none時，就把wx_plus_b傳到activation_function()函式中得到輸出。
if activation_function is none: # 線性關係，就不需要再加非線性方程
outputs = wx_plus_b
else:
outputs = activation_function(wx_plus_b)
return outputs
# 構建所需的資料。 這裡的x_data和y_data並不是嚴格的一元二次函式的關係，因為我們多加了乙個noise,這樣看起來會更像真實情況。
x_data = np.linspace(-1,1,300)[:,np.newaxis] # 加乙個維度 轉換成300行1列
# print(x_data)
noise = np.random.normal(0,0.05,x_data.shape) # 期望，方差，格式
y_data = np.square(x_data) - 0.5 + noise
xs = tf.placeholder(tf.float32,[none,1])
ys = tf.placeholder(tf.float32,[none,1])
# 利用佔位符定義我們所需的神經網路的輸入。 tf.placeholder()就是代表佔位符，none代表無論輸入有多少都可以，因為輸入只有乙個特徵，所以這裡是1
# 接下來，我們就可以開始定義神經層了。 通常神經層都包括輸入層、隱藏層和輸出層。這裡的輸入層只有乙個屬性， 所以我們就只有乙個輸入；隱藏層我們可以自己假設，這裡我們假設隱藏層有10個神經元； 輸出層和輸入層的結構是一樣的，所以我們的輸出層也是只有一層。 所以，我們構建的是——輸入層1個、隱藏層10個、輸出層1個的神經網路。
# 下面，我們開始定義隱藏層,利用之前的add_layer()函式，這裡使用 tensorflow 自帶的激勵函式tf.nn.relu。
l1 = add_layer(xs,1,10,activation_function=tf.nn.relu) # 隱藏層
# 接著，定義輸出層。此時的輸入就是隱藏層的輸出——l1，輸入有10層（隱藏層的輸出層），輸出有1層。
predition = add_layer(l1,10,1,activation_function=none) # 輸出層 輸入10層，輸出1層
# 計算**值prediction和真實值的誤差，對二者差的平方求和再取平均。
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-predition),
reduction_indices=[1])) #
# tf.train.gradientdescentoptimizer()中的值通常都小於1，這裡取的是0.1，代表以0.1的效率來最小化誤差loss。
train_step = tf.train.gradientdescentoptimizer(0.08).minimize(loss)
# 優化器 目標，最小化誤差
init = tf.global_variables_initializer()
sess = tf.session()
sess.run(init)
# 我們讓機器學習2000次。機器學習的內容是train_step, 用 session 來 run 每一次 training 的資料，逐步提公升神經網路的**準確性。 (注意：當運算要用到placeholder時，就需要feed_dict這個字典來指定輸入。)
for i in range(2000):
sess.run(train_step,feed_dict=)
if i % 50 ==0: # 每50步我們輸出一下機器學習的誤差。
print(sess.run(loss,feed_dict=))
tensorflow學習04 構造線性回歸模型
在學完前幾天的tensorflow基本變數定義和矩陣定義，今天我學習了tensorflow的構造線性回歸模型 構造資料並呼叫matplotlib進行顯示 源 匯入numpy tensorflow matplotlib import numpy as np import tensorflow as t...
軟體構造（四）
實驗三的標題是 reusability and maintainability oriented software construction，即面向可復用性和可維護性的軟體構造。這裡就向物件導向程式設計的較為深入的階段了。我們學習了繼承委派關係，以及設計模式，以實現可維護可復用程式設計。實驗主要內容...
java構造方法練習
7 下列方法定義中，正確的是 a a int x int a,b b double x int a,int b c double x a,b d nt x int a,int b 8 下列方法定義中，正確的是 d a void x int a,int b void不用返回 b x int a,int...