基於tensorflow搭建乙個神經網路

一，tensorflow的簡介

tensorflow是乙個採用資料流圖，用於數值計算的開源軟體庫。節點在圖中表示數字操作，圖中的線則表示在節點間相互聯絡的多維資料陣列，即張量它靈活的架構讓你可以在多種平台上展開計算，例如台式計算機中的乙個或多個cpu（或gpu），伺服器，移動裝置等等。tensorflow最初由google 大腦小組的研究員和工程師們開發出來，用於機器學習和深度神經網路方面的研究，但這個系統的通用性使其也可廣泛用於其他計算領域。

二，tensorflow的架構

tensorflow的系統結構以c api為界，將整個系統分為「前端」和「後端」兩個子系統。

前端系統提供多語言程式設計環境，提供統一的程式設計模型支撐使用者構造計算圖通過session的形式，連線tensorflow後端的「執行時」，啟動計算圖的執行過程。

後端系統提供執行時環境，負責執行計算圖。

三，tensorflow的簡單實現步驟

1，定義乙個神經層的函式：神經層裡常見的引數通常有weights、biases和激勵函式。

2，匯入資料構建所需的資料。

3，搭建網路先定義隱藏層，再定義輸出層，計算**值和真實值的誤差

4，訓練給定次數，讓機器開始學習。

5，結果視覺化

**如下：

import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np
tf.set_random_seed(1)
np.random.seed(1)
#構建所需資料
x = np.linspace(-1, 1, 100)[:, np.newaxis]          
noise = np.random.normal(0, 0.1, size=x.shape)
y = np.power(x, 2) + noise                      
#輸入x和y
tf_x = tf.placeholder(tf.float32, x.shape)
tf_y = tf.placeholder(tf.float32, y.shape)
# 搭建神經網路
#隱藏層
l1 = tf.layers.dense(tf_x, 10, tf.nn.relu)
#輸出層
output = tf.layers.dense(l1, 1)
loss = tf.losses.mean_squared_error(tf_y, output)
optimizer = tf.train.gradientdescentoptimizer(learning_rate=0.5)
train_op = optimizer.minimize(loss)
sess = tf.session()
sess.run(tf.global_variables_initializer())
plt.ion()
#訓練for step in range(100):
_, l, pred = sess.run([train_op, loss, output], )
if step % 5 == 0:
plt.cla()
plt.scatter(x, y)
plt.plot(x, pred, 'r-', lw=5)
plt.text(0.5, 0, 'loss=%.4f' % l, fontdict=)
plt.pause(0.1)
plt.ioff()
plt.show()

執行結果如圖：

四，總結

以上為tensorflow的簡單介紹，算是基礎入門的案例了。往後學就是分類學習，cnn卷積神經網路，rnn迴圈神經網路了。

基於tensorflow搭建乙個神經網路

TensorFlow平台搭建

Anaconda搭建tensorflow虛擬環境

Tensorflow 框架搭建神經網路（一）

基於tensorflow搭建乙個神經網路

TensorFlow平台搭建

Anaconda搭建tensorflow虛擬環境

Tensorflow 框架搭建神經網路（一）

相關推薦