基于Tensorflow如何搭建一個神經(jīng)網(wǎng)絡(luò)

小編給大家分享一下基于Tensorflow如何搭建一個神經(jīng)網(wǎng)絡(luò)，相信大部分人都還不怎么了解，因此分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后大有收獲，下面讓我們一起去了解一下吧！

一、Tensorlow結(jié)構(gòu)

import tensorflow as tf
import numpy as np
 
#創(chuàng)建數(shù)據(jù)
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data*0.1+0.3
 
#創(chuàng)建一個 tensorlow 結(jié)構(gòu)
weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0))#一維，范圍[-1,1]
biases = tf.Variable(tf.zeros([1]))
 
y = weights*x_data + biases
 
loss = tf.reduce_mean(tf.square(y - y_data))#均方差函數(shù)
 
#建立優(yōu)化器，減少誤差，提高參數(shù)準確度，每次迭代都會優(yōu)化
optimizer = tf.train.GradientDescentOptimizer(0.5)#學習率為0.5（<1)
train = optimizer.minimize(loss)#最小化損失函數(shù)
 
#初始化不變量
init = tf.global_variables_initializer()
 
with tf.Session() as sess:
    sess.run(init)
    #train
    for step in range(201):
        sess.run(train)
        if step % 20 == 0:
            print(step, sess.run(weights), sess.run(biases))

二、session的使用

import tensorflow as tf
 
matrix1 = tf.constant([[3, 3]])
matrix2 = tf.constant([[2], [2]])
 
product = tf.matmul(matrix1, matrix2)
 
#method1
sess = tf.Session()
result2 = sess.run(product)
print(result2)
 
#method2
# with tf.Session() as sess:
#     result2 = sess.run(product)
#     print(result2)

三、Variable的使用

import tensorflow as tf
 
state = tf.Variable(0, name = 'counter')#變量初始化
# print(state.name)
one = tf.constant(1)
new_value = tf.add(state, one)
#將state用new_value代替
updata = tf.assign(state, new_value)
 
#變量激活
init = tf.global_variables_initializer()
 
with tf.Session() as sess:
    sess.run(init)
    for _ in range(3):
        sess.run(updata)
        print(sess.run(state))

四、placeholder的使用

#給定type,tf大部分只能處理float32數(shù)據(jù)
input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
 
output = tf.multiply(input1, input2)
 
with tf.Session() as sess:
    print(sess.run(output, feed_dict={input1:[7.], input2:[2.]}))

五、激活函數(shù) 六、添加層

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
 
def add_layer(inputs, in_size, out_size, activation_function = None):
    Weights = tf.Variable(tf.random_normal([in_size, out_size]))#正態(tài)分布
    biases = tf.Variable(tf.zeros([1, out_size])+0.1) #1行，out_size列，初始值不推薦為0，所以加上0.1
    Wx_plus_b = tf.matmul(inputs, Weights) + biases #Weights*x+b的初始化值，也是未激活的值
 
    #激活
 
    if activation_function is None:
        #如果沒有設(shè)置激活函數(shù)，，則直接把當前信號原封不動的傳遞出去
        outputs = Wx_plus_b
    else:
        #如果設(shè)置了激活函數(shù)，則由此激活函數(shù)對信號進行傳遞或抑制
        outputs = activation_function(Wx_plus_b)
    return outputs

七、創(chuàng)建一個神經(jīng)網(wǎng)絡(luò)

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
 
def add_layer(inputs, in_size, out_size, activation_function = None):
    Weights = tf.Variable(tf.random_normal([in_size, out_size]))#正態(tài)分布
    biases = tf.Variable(tf.zeros([1, out_size])+0.1) #1行，out_size列，初始值不推薦為0，所以加上0.1
    Wx_plus_b = tf.matmul(inputs, Weights) + biases #Weights*x+b的初始化值，也是未激活的值
 
    #激活
 
    if activation_function is None:
        #如果沒有設(shè)置激活函數(shù)，，則直接把當前信號原封不動的傳遞出去
        outputs = Wx_plus_b
    else:
        #如果設(shè)置了激活函數(shù)，則由此激活函數(shù)對信號進行傳遞或抑制
        outputs = activation_function(Wx_plus_b)
    return outputs
 
"""定義數(shù)據(jù)形式"""
#創(chuàng)建一列（相當于只有一個屬性值），（-1，1）之間，有300個單位，后面是維度，x_data是有300行
x_data = np.linspace(-1, 1, 300)[:, np.newaxis]#np.linspace在指定間隔內(nèi)返回均勻間隔數(shù)字
#加入噪聲，均值為0，方差為0.05，形狀和x_data一樣
noise = np.random.normal(0, 0.05, x_data.shape)
#定義y的函數(shù)為二次曲線函數(shù)，同時增加一些噪聲數(shù)據(jù)
y_data = np.square(x_data) - 0.5 + noise
 
#定義輸入值，輸入結(jié)構(gòu)的輸入行數(shù)不固定，但列就是1列的值
xs = tf.placeholder(tf.float32, [None, 1])
ys = tf.placeholder(tf.float32, [None, 1])
 
"""建立網(wǎng)絡(luò)"""
#定義隱藏層，輸入為xs，輸入size為1列，因為x_data只有一個屬性值，輸出size假定有10個神經(jīng)元的隱藏層，激活函數(shù)relu
l1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu)
#定義輸出層，輸出為l1輸入size為10列，也就是l1的列數(shù)，輸出size為1，這里的輸出類似y_data，因此為1列
prediction = add_layer(l1, 10, 1,activation_function=None)
 
"""預測"""
#定義損失函數(shù)為差值平方和的平均值
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1]))
 
"""訓練"""
#進行逐步優(yōu)化的梯度下降優(yōu)化器，學習率為0.1，以最小化損失函數(shù)進行優(yōu)化
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
#初始化模型所有參數(shù)
init = tf.global_variables_initializer()
 
#可視化
with tf.Session() as sess:
    sess.run(init)
 
    for i in range(1000):#學習1000次
        sess.run(train_step, feed_dict={xs:x_data, ys:y_data})
        if i%50==0:
            print(sess.run(loss, feed_dict={xs:x_data, ys:y_data}))

八、可視化

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
 
def add_layer(inputs, in_size, out_size, activation_function = None):
    Weights = tf.Variable(tf.random_normal([in_size, out_size]))#正態(tài)分布
    biases = tf.Variable(tf.zeros([1, out_size])+0.1) #1行，out_size列，初始值不推薦為0，所以加上0.1
    Wx_plus_b = tf.matmul(inputs, Weights) + biases #Weights*x+b的初始化值，也是未激活的值
 
    #激活
 
    if activation_function is None:
        #如果沒有設(shè)置激活函數(shù)，，則直接把當前信號原封不動的傳遞出去
        outputs = Wx_plus_b
    else:
        #如果設(shè)置了激活函數(shù)，則由此激活函數(shù)對信號進行傳遞或抑制
        outputs = activation_function(Wx_plus_b)
    return outputs
 
"""定義數(shù)據(jù)形式"""
#創(chuàng)建一列（相當于只有一個屬性值），（-1，1）之間，有300個單位，后面是維度，x_data是有300行
x_data = np.linspace(-1, 1, 300)[:, np.newaxis]#np.linspace在指定間隔內(nèi)返回均勻間隔數(shù)字
#加入噪聲，均值為0，方差為0.05，形狀和x_data一樣
noise = np.random.normal(0, 0.05, x_data.shape)
#定義y的函數(shù)為二次曲線函數(shù)，同時增加一些噪聲數(shù)據(jù)
y_data = np.square(x_data) - 0.5 + noise
 
#定義輸入值，輸入結(jié)構(gòu)的輸入行數(shù)不固定，但列就是1列的值
xs = tf.placeholder(tf.float32, [None, 1])
ys = tf.placeholder(tf.float32, [None, 1])
 
"""建立網(wǎng)絡(luò)"""
#定義隱藏層，輸入為xs，輸入size為1列，因為x_data只有一個屬性值，輸出size假定有10個神經(jīng)元的隱藏層，激活函數(shù)relu
l1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu)
#定義輸出層，輸出為l1輸入size為10列，也就是l1的列數(shù)，輸出size為1，這里的輸出類似y_data，因此為1列
prediction = add_layer(l1, 10, 1,activation_function=None)
 
"""預測"""
#定義損失函數(shù)為差值平方和的平均值
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1]))
 
"""訓練"""
#進行逐步優(yōu)化的梯度下降優(yōu)化器，學習率為0.1，以最小化損失函數(shù)進行優(yōu)化
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
#初始化模型所有參數(shù)
init = tf.global_variables_initializer()
 
#可視化
with tf.Session() as sess:
    sess.run(init)
 
    fig = plt.figure()#先生成一個圖片框
    #連續(xù)性畫圖
    ax = fig.add_subplot(1, 1, 1)#編號為1，1，1
    ax.scatter(x_data, y_data)#畫散點圖
    #不暫停
    plt.ion()#打開互交模式
    # plt.show()
    #plt.show繪制一次就暫停了
    for i in range(1000):#學習1000次
        sess.run(train_step, feed_dict={xs:x_data, ys:y_data})
        if i%50==0:
 
 
            try:
                #畫出一條后，抹除掉，去除第一個線段，但是只有一個相當于抹除當前線段
                ax.lines.remove(lines[0])
            except Exception:
                pass
            prediction_value = sess.run(prediction, feed_dict={xs:x_data})
            lines = ax.plot(x_data,prediction_value,'r-',lw=5)#lw線寬
 
            #暫停
            plt.pause(0.5)

可視化結(jié)果：

動圖效果如下所示：

以上是“基于Tensorflow如何搭建一個神經(jīng)網(wǎng)絡(luò)”這篇文章的所有內(nèi)容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內(nèi)容對大家有所幫助，如果還想學習更多知識，歡迎關(guān)注億速云行業(yè)資訊頻道！