TensorFlow学习笔记------前向传播算法知识点

针对回归问题与分类问题,学习前向传播算法

1、前向传播算法:
全连接:指前一层所有节点都有一个向量指向下一层的每个节点。
以判断零件是否合格为例,向前传播算法需要三部分信息:
输入:零件质量、零件长度。
神经网络的连接
输出节点
该算法可以表示成矩阵运算。
矩阵乘法用tf.matmul(x,y)进行运算。

2、神经网络中给随机数很常见,方法为:
#正态分布随机数
weights = tf.Variable(tf.randon_normal([2,3],stddev=2))
产生2*3的矩阵,矩阵元素均值为0,标准差为2,可以通过mean来指定平均值,默认0;

#平均分布随机数
tf.random_uniform(最大,最小,取值类型)

3、其他生成张量的函数:
tf.zeros([2,3],tf.int32)
tf.ones([2,3],tf.int32)
tf.fill([2,3],9)
tf.constant([1,2,3])

4、一个变量被使用之前,需要明确的初始化
w1 = tf.Variable(w0.initialized_value())
w2 = tf.Variable(w0.initialized_value() * 2)

5、如下代码实现了简单的前向传播算法:
import tensorflow as tf

w1 = tf.Variable(tf.random_normal([2,3],stddev=2,seed=1))
w2 = tf.Variable(tf.rand
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值