我在学python的时候在想什么2---让电脑学会加法

本文为原创文章，转载请注明出处。

写文章是 定大纲是一个系列，内容从浅到深，主旨引发读者思考。更新周期一周一更。

废话少说，直接进入主题。

每个人入门机器学习都是简单的线性逻辑回归

 

在学完之后，我一直在想，能不能写一个让电脑学会算加法的神经网络系统。

对于一个神经网络而言，并不是神经层越多，能力越强。一个好的神经网络的特点是模型恰到好处。

以下是我简单构造的的神经网络。

 

数学公式：

 x1*w+b1+ x2*w+b2=y

这样设计的好处是，快速出答案。而且符合 数学原理 1+1 =2

在理论上 只要 w =1 b= 0 就能100%正确得出答案。

如果你不服 ，那就用传统的模型设计吧

下面开始为大家排坑。

#生成模拟数据

train_X = np.random.rand(100)

train_X2 = np.random.rand(100)

train_Y =  train_X2 + train_X 

# 创建模型

# 占位符

 

inputdict = {

    'x': tf.placeholder("float"),

    'x2': tf.placeholder("float"),

    'y': tf.placeholder("float")

}

我这里生成的是小数，目的是便于训练，如果你用 int 会遇到更多坑的。

例子训练的参数只有2个

这里，如何在sess.run添加一个输入呢。

这就得从原理出发。

例子中传递了一个optimizer，

这个optimizer  其实就是一个 方程式。

前面代码里用到了占位符。

类似

x+y=z

那么我们的公式只要套入

x = 1

y= 2

z = 3

就可以训练误差。所以 模型用到什么数据，feed_dict传递什么数据就行。

sess.run(optimizer, feed_dict={inputdict['x']: train_X[i], inputdict['x2']: train_X2[i],inputdict['y']: train_Y[i]})

还有一个新手很容易卡住的就是 如何编写测试函数。

下面是我的测试函数

ret是计算结果。

同样是 sess.run，参数也类似。

到底什么情况下是 训练什么情况下是 测试呢。

我们注意看第一个参数。

训练的时候 传递的是优化器！！！所以需要传递结果。

而测试传递的是前向结构

也就是我们的公式

w1*x1+b1+w2*x2+b2

所以直接传递 x1 x2  他就会帮我们运算出结果

# -*- coding: utf-8 -*-

"""





@author: 花开无痕



"""



import tensorflow as tf

import numpy as np



#生成模拟数据

train_X = np.random.rand(100)

train_X2 = np.random.rand(100)

train_Y =  train_X2 + train_X 











# 创建模型

# 占位符



inputdict = {

    'x': tf.placeholder("float"),

    'x2': tf.placeholder("float"),

    'y': tf.placeholder("float")

}





# 模型参数

W = tf.Variable(tf.random_normal([1]), name="weight")

b = tf.Variable(tf.zeros([1]), name="bias")





W2 = tf.Variable(tf.random_normal([1]), name="weight2")

b2 = tf.Variable(tf.zeros([1]), name="bias2")

# 前向结构

z = tf.multiply(inputdict['x'], W)+ b+tf.multiply(inputdict['x2'], W2)+ b2



#反向优化

cost =tf.reduce_mean( tf.square(inputdict['y'] - z))

learning_rate = 0.01

optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost) #Gradient descent



# 初始化变量

init = tf.global_variables_initializer()

#参数设置

training_epochs = 200

display_step = 20



# 启动session

with tf.Session() as sess:

    sess.run(init)



    # Fit all training data

    for epoch in range(training_epochs):

        #for (x, y) in zip(train_X, train_Y):

        for i in range(100):

            sess.run(optimizer, feed_dict={inputdict['x']: train_X[i], inputdict['x2']: train_X2[i],inputdict['y']: train_Y[i]})



        #显示训练中的详细信息

        if epoch % display_step == 0:

            loss = sess.run(cost, feed_dict={inputdict['x']: train_X[i],inputdict['x2']: train_X2[i], inputdict['y']:train_Y[i]})

            print ("Epoch:", epoch+1, "cost=", loss,"W=", sess.run(W), "b=", 'w2',sess.run(b),sess.run(W2), "b=", sess.run(b2))



    print (" Finished!")

    print ("W=", sess.run(W), "b=", sess.run(b),"W2=", sess.run(W2), "b2=", sess.run(b2))



    xxx = np.random.rand(100)

    xxx2 = np.random.rand(100)

    for i in range(len(xxx)):

        ret = sess.run(z, feed_dict={inputdict['x']: xxx[i],inputdict['x2']: xxx2[i]})

        print ( 'xxx',xxx[i],'xxx2',xxx2[i],'=',ret,xxx[i]+xxx2[i])

 

 

以下是我编写的源码