深度学习二：使用TensorFlow搭建简单的全连接神经网络

最新推荐文章于 2025-07-09 19:35:24 发布

原创

最新推荐文章于 2025-07-09 19:35:24 发布 · 7.4k 阅读

40 ·

CC 4.0 BY-SA版权

文章标签：

#神经网络 #python #tensorflow #深度学习

本文介绍如何使用TensorFlow搭建一个简单的全连接神经网络，包括数据生成、网络结构定义、训练过程及结果展示。通过实验展示了利用ReLU激活函数和L2正则化防止过拟合的方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

深度学习二：使用TensorFlow搭建简单的全连接神经网络

学习《TensorFlow实战Google深度学习框架》一书

在前一篇博客中，学习了使用python搭建简单的全连接神经网络

深度学习一：搭建简单的全连接神经网络

这里继续学习使用TensorFlow来搭建全连接神经网络。文章结束后依旧会贴上全部代码

实验环境：Python+TensorFlow+Pycharm

实验依旧采用随机生成的数据集，用随机生成的x来拟合随机生成的y

首先是引入并生成随机数据：

import tensorflow as tf
from numpy.random import RandomState
import matplotlib.pyplot as plt

# 随机生成数据集，并自定义标签
rdm = RandomState(1)
dataset_size = 128  # 数据集大小
X = rdm.rand(dataset_size, 2)
Y = [[int(x1+x2 < 1)] for (x1, x2) in X]  # 生成标签

生成的输入X维度为（128,2），标签Y的维度为（128,1），可以认为输入为产品两个属性值x1和x2，如果x1+x2<1则被认为是合格产品，标签为Y为1，否则标签Y为0。

定义输入输出：

# 定义输入和标签（真实值）
x = tf.placeholder("float32", [None, 2])
y_ = tf.placeholder("float32", [None, 1])

这里的x和y_用来接收输入的X和Y

设置神经网络的参数：

# 权重
W1 = tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1))
W2 = tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1))
# 偏置
b1 = tf.Variable(tf.zeros([3]))
b2 = tf.Variable(tf.zeros([1]))

这里定义的是但隐层神经网络，w1和b1是隐藏层的权重和偏置，w2和b2是输出层的权重和偏置。设计隐藏层有3个隐藏节点，所以，w1的维度为（2,3）。Tenorflow提供了多种随机数生成的函数，这里使用tf.r的andom_normal()生成服从正态分布的随机数，tf.zeros则生成全0数组。