Tensorflow笔记 3.2

最新推荐文章于 2022-08-20 00:16:55 发布

qq_41663529

最新推荐文章于 2022-08-20 00:16:55 发布

阅读量116

点赞数

分类专栏： Tensorflow学习笔记文章标签： Tensorflow

Tensorflow学习笔记专栏收录该内容

0 篇文章

订阅专栏

本文详细介绍了使用TensorFlow搭建和训练神经网络的过程，包括参数初始化、前向传播、反向传播算法，以及如何通过迭代优化参数来训练模型。同时，提供了具体的代码示例，展示如何在会话中运行计算图，进行变量初始化和数据喂入。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

声明：内容来自MOOC北京大学，人工智能实践基础：Tensorflow笔记
一.参数：即图线上的权重W，用变量表示，随机给初值。
在这里插入图片描述
W = tf.Variable(tf.random_normal([2,3], stddev=2, mean=0, seed=1))
正态分布产生2*3矩阵标准差为2 均值为0 随机种子为1
Tf.random_normal()可用下面两个函数替代
（1）tf.truncated_normal()去掉过大偏离点的正态分布（两个标准差之内）
（2）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([3,2,1])生成[3,2,1]

二.神经网络的实现过程：
1.准备数据集，提取特征，作为输入喂给神经网络（Neutral Network. NN)

2.搭建NN结构，从输入到输出（先搭建计算图，在用会话执行）
NN前向传播算法–>计算输出

3.大量特征数据喂给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

三.前向传播：搭建模型，实现推理（以全连接网络为例）
eg。生产一批零件将体积X1重量X2为特征输入NN，通过NN后输出一个值。
在这里插入图片描述

四.实现细节
变量初始化，计算图节点运算要用绘画（with结构）实现
with tf.Session() as sess:
sess.run()
变量初始化：在sess.run函数中用tf.global_variable_initializer()
init_op=tf.global_variables_initializer()
Sess,.run(init_op)
计算图节点运算：在sess.run函数中写入待运算的节点
Sess.run(y)

用tf.placeholder占位，在sess.run函数中用feed_dict喂数据
(1)喂一组数据：
x=tf.placeholder(tf.float32,shape=(1,2))
Sess.run(y,feed_dict={x:[[0.5,0.6]]})
(2)喂多组数据：
X=tf.placeholder(tf.float32,shape=(None,2))
Sess.run(y,feed_dict={x: [[0.1,0.,2],[0.2,0.3],[0.3,0.4],[0.4,0.5]]})

代码
喂一组数据

#coding:utf-8
#两层简单神经网络（全连接）
import tensorflow as tf

#定义输入和参数
x = tf.constant([[0.7,0.5]])
w1= tf.Variable(tf.random_normal([2,3], stddev=1, seed=1))
w2= tf.Variable(tf.random_normal([3,1], stddev=1, seed=1))

#定义向前传播过程
a = tf.matmul(x, w1)
y = 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("y in tf3.2.py is:\n",sess.run(y))
#结果
#y in tf3.2.py is:
# [[3.0904665]]

喂多组数据

#coding:utf-8
#两层简单神经网络（全连接）

import tensorflow as tf

#定义输入和参数
#用placeholder定义输入（sess.run喂多组数据）
#不知道喂多少组输入，所以用None，特征为体积，质量，2维度
x = tf.placeholder(tf.float32, shape=(None, 2))
#随机生成正态分布，方差为1
w1= tf.Variable(tf.random_normal([2,3], stddev=1, seed=1))
w2= tf.Variable(tf.random_normal([3,1], stddev=1, seed=1))

#定义向前传播过程
a = tf.matmul(x, w1)
y = tf.matmul(a, w2)

#调用会话计算结果
with tf.Session() as sess:
	init_op = tf.global_variables_initializer()
	sess.run(init_op)
	print("the result of py is:\n",sess.run(y, feed_dict={x: [[0.7,0.5],[0.2,0.3],[0.3,0.4],[0.4,0.5]]}))
	print("w1:\n",sess.run(w1))
	print("w2:\n",sess.run(w2))
#结果
'''the result of py is:
 [[3.0904665]
 [1.2236414]
 [1.7270732]
 [2.2305048]]
w1:
 [[-0.8113182   1.4845988   0.06532937]
 [-2.4427042   0.0992484   0.5912243 ]]
w2:
 [[-0.8113182 ]
 [ 1.4845988 ]
 [ 0.06532937]]'''