class2--tensorflow:前向传播

参数：即计算图线上的权重W，用变量表示，最开始随机给初值

 

w=tf.Variable(tf.random_normal([2,3],stddev=2,mean=0,seed=1))

参数： 正态分布  标准差 均值   随机种子（如果为0，则每次生成的数都不一样）

tf.truncated_nomal()  去掉超过两个标准差的偏离点的正态分布

tf.random_uniform() 平均分布

tf.zeros 全0数组  tf.zeros([3,2],int32)  生成[[0,0],[0,0],[0,0]]

tf.ones 全1数组   tf.ones([3,2],int32)  生成[[1,1],[1,1],[1,1]]

tf.fill全定值数组 tf.fill([3,2],6) 生成[[6,6],[6,6],[6,6]]

tf.constant 直接给值  tf.constant([3,1,2])  生成[3,1,2]

 

 

神经网络实现过程：

1.准备数据集，提取特征，作为输入喂给神经网络（Neural Network，NN）

2.搭建NN结构，从输入到输出（先搭建计算图，再用会话执行）

（NN前向传播算法---->计算输出）

3.大量特征数据数据给NN，迭代优化NN参数

（NN反向传播算法---->优化参数训练模型)

4.使用训练好的模型预测和分类

 

前向传播----->搭建模型，实现推理（以全连接网络为例）

eg.生产一批零件讲体积x1和体重x2为特征输入NN，通过NN后输出一个数值

 

（课程是中国大学mOOC网的人工智能实践：tensorflow笔记里面的，这些文章仅为笔记）

 

具体代码：

#tf_3_2.py
import tensorflow as tf

#定义输入和参数,用placeholder实现输入定义（sess.run中喂一组数据）
x=tf.placeholder(tf.float32)
w1=tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))
w2=tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))
#定义前向传播过程
a=tf.matmul(x,w1)
b=tf.matmul(a,w2)
#用会话计算结果
with tf.Session() as sess:
    init_op=tf.global_variables_initializer()
    sess.run(init_op)
    print("b=",sess.run(b,feed_dict={x:[[0.7,0.5]]}))

 

结果：b= [[3.0904665]]