Tensorflow学习之旅(4)

最新推荐文章于 2025-05-23 12:18:51 发布

原创最新推荐文章于 2025-05-23 12:18:51 发布 · 168 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#tensorflow

python 同时被 2 个专栏收录

12 篇文章

订阅专栏

tensorflow

7 篇文章

订阅专栏

本文详细介绍了如何使用TensorFlow构建神经网络层，通过定义add_layer函数，讲解了输入输出矩阵的维度匹配及激励函数的应用。以示例形式解释了从输入层到隐藏层的数据传递过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import tensorflow as tf

#定义添加神经层的函数def add_layer(),它有四个参数：输入值、输入的大小、输出的大小和激励函数
#我们设定默认的激励函数是None
from __future__ import print_function
import tensorflow as tf

# 个人的看法，在每一层做计算的时候，要搞清楚矩阵的维度
# 这个的表示方式和吴恩达教程上面的表示方式是相反的
# inputs =[样本数 * 特征数] ，而吴恩达的教程是 特征数*样本数

"""
所以，这里的表示方式是： input * weights 
假如，输入层的结点个数是2，隐层是3
input=[n*2]  ,weihts=[2*3] ,bias=[1,3]
input*weigths=[n,3] + bias=[1,3] ，这样的矩阵维度相加的时候，python会执行它的广播机制

so,这一层的输出的维度是 [n,3]
"""
def add_layer(inputs, in_size, out_size, activation_function=None):
    Weights = tf.Variable(tf.random_normal([in_size, out_size]))
    biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)
    Wx_plus_b = tf.matmul(inputs, Weights) + biases
    if activation_function is None:
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b)
    return outputs
##这个地方我觉得有点绕。于是思考了下
#N * 2   N个样本，每个样本有两个特征
# 2个特征要传向  3个 隐藏层#
#
#    A    -------  B
#         -------  B
#    A    -------  B
#也就是说 [N* 2]    *  [2  * 3] ==[N  *   3]
#理解为矩阵乘法就很不错了
#所以样例里。in_size=2
#out_size=3
#activation_function为激励函数
#inputs  应该是一个 N*2的list

暑假就在接触Tensorflow了，但是一直断断续续的，所以现在又开始捡起来继续学。

PS 我用的代码源于https://github.com/zhaozhengcoder/Machine-Learning 大佬写的很好，我也是跟着他的代码，在他的代码上，写上自己的理解。