Python搭建tensorflow三层神经网络

最新推荐文章于 2024-06-09 18:00:23 发布

qiujie3108

最新推荐文章于 2024-06-09 18:00:23 发布

阅读量975

点赞数

分类专栏：机器学习文章标签： python 机器学习

本文链接：https://blog.youkuaiyun.com/qiujie3108/article/details/78515228

版权

机器学习专栏收录该内容

2 篇文章

订阅专栏

本文提供了一个Python示例，展示如何利用TensorFlow搭建一个包含三层的神经网络，涉及机器学习的基础应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Python搭建tensorflow三层神经网络的小例子

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt #输出图像的库

#加入神经网络层，activation_function是激励函数，初始化为None
def add_layer(inputs,in_size,out_size,activation_function=None):

    #定义权重(矩阵),为一个有in_size行，out_size列的矩阵,矩阵元素值取自一个正态分布中的随机数。
    Weights=tf.Variable(tf.random_normal([in_size,out_size]))#random_normal

    #定义偏置(列表)，初始值推荐不为零
    biases=tf.Variable(tf.zeros([1,out_size]))+0.1

    #Weight*x+biases
    Wx_plus_b=tf.matmul(inputs,Weights)+biases

    #如果没有激励函数（线性），直接输出计算结果
    if activation_function is None:
        outputs=Wx_plus_b
    else:
        outputs=activation_function(Wx_plus_b)
    return outputs

#定义两个占位符,元素格式为float32，维度为任意行1列
xs=tf.placeholder(tf.float32,[None,1])
ys=tf.placeholder(tf.float32,[None,1])


#定义隐藏层l1（输出为10个神经元），输入矩阵为xs（为了避免提前重复计算，这里先用占位符填充）
l1=add_layer(xs,1,10,activation_function=tf.nn.relu)

#定义输出层(1个神经元)
prediction=add_layer(l1,10,1,activation_function=None)

#reduce_mean为取平均，reduce_sum为取和, reduction_indices为1意思是矩阵列化为1
loss=tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=1))

#每次以0.1的效率对误差进行更正（优化器）
train_step=tf.train.AdamOptimizer(0.01).minimize(loss)

x_data=np.linspace(-1,1,300)[:,np.newaxis] #x_data有一个特性，300个例子,元素值的范围是-1到1，[:,np.newaxis]是用来增加维度的，例如这里就把原矩阵从(300，)的一维数组转化成(300,1)的二维数组
noise= np.random.normal(0,0.05,x_data.shape)#noise取值范围是0到0.05，维度和x_data一样
y_data=np.square(x_data)-0.5+noise      #y_data=x_data的平方-0.5+noise;

#必须初始化所有变量
init= tf.initialize_all_variables()

sess=tf.Session()
sess.run(init)

#利用pyplot库图像化training结果
fig = plt.figure()#定义框体
ax=fig.add_subplot(1,1,1)
ax.scatter(x_data,y_data)
plt.ion()
plt.show()

for i in range(2000):
    #Training
    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}))
        try:
            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)
        plt.pause(0.2)
str =input("执行完毕，输入任意键退出");