tensorflow學習筆記（6） 訓練模型

在神經網路優化演算法中，用的最多的是反向傳播演算法。

通過tensorflow實現反向傳播演算法的第一步是使用tensorflow來表達乙個batch, tensorflow中提供了placeholder機制用於提供輸入資料。

placeholder相當於定義了乙個位置，這個位置中的資料在程式執行時再指定。這樣在程式中只需要將資料通過placeholder傳入計算圖中。

通過placeholder實現前向傳播：

import tensorflow as tf

w1=tf.variable(tf.random_normal([2,3],stddev=1))
w2=tf.variable(tf.random_normal([3,1],stddev=1))
#定義placeholder
x=tf.placeholder(tf.float32,shape=(1,2),name="input")#維度：二維陣列，長度為1
a=tf.matmul(x,w1)
y=tf.matmul(a,w2)
sess=tf.session()
init_op=tf.initialize_all_variables()
sess.run(init_op)
print(sess.run(y,feed_dict=))

#定義損失函式

cross_entropy=-tf.reduce_mean(
y*tf.log(tf.clip_by_value(y,1e-10,1.0))
)#定義學習率
learning_rate=0.001
#定義反向傳播演算法來優化引數
train_step=\
tf.train.adamoptimizer(learning_rate).minimize(cross_entropy)

train_step定義了反向傳播的優化方法，執行sess.run(train_step)可以對所有變數進行優化，使得損失函式更小。

Tensorflow學習筆記No 6

本篇主要講述什麼是標準化，為什麼要標準化，以及如何進行標準化 新增bn層 傳統機器學習中標準化也叫做歸一化。一般是將資料對映到指定的範圍，用於去除不同維度資料的量綱以及量綱單位 說白了就是讓資料盡可能處於某個範圍內 資料標準化讓機器學習模型看到的不同樣本彼此之間更加相似，這有助於模型的學習與對新資料...

Tensorflow學習之旅 6

暑假就在接觸tensorflow了，但是一直斷斷續續的，所以現在又開始撿起來繼續學。ps 我用的 源於 大佬寫的很好，我也是跟著他的 在他的 上，寫上 自己的理解。構造乙個3層的網路 輸入層乙個結點，隱層3個結點，輸出層乙個結點 輸入層的維度是 n,1 隱層的維度是 1,10 輸出層的維度是 10,...

tensorflow學習筆記

tensorflow安裝可以直接通過命令列或者原始碼安裝，在此介紹tensorflow8命令列安裝如下 安裝tensorflow sudo pip install upgrade 另外，解除安裝tensorflow命令為 sudo pip uninstall tensorflow tensorflo...