tensorflow学习(3)神经网络 - 个人主页

创建简单的神经网络算法模型

import tensorflow as tf
import numpy as np


#定义一层网络（就是定义一层网络权重矩阵和偏置向量）
def layer_(inputs,insize,outsize,af=None):
#af是激活函数，
    weight=tf.Variable(tf.random_normal([insize,outsize]))
    b=tf.Variable(tf.zeros([1,outsize])+0.1)
    a=tf.matmul(inputs,weight)+b
    if af is None:
        outputs=a
    else:
        outputs=af(a)
    return outputs
#返回时网络的输出

x_data=np.linspace(-1,1,300,dtype=np.float32)[:, np.newaxis]
noise=np.random.normal(0,0.05,x_data.shape).astype(np.float32)
y_data=np.square(x_data)-0.5+noise
#定义一个拟合问题的数据，加上noise噪音数据

xs=tf.placeholder(tf.float32,[None,1])
ys=tf.placeholder(tf.float32,[None,1])
#定义一个输入输出占位符
l1=layer_(xs,1,10,af=tf.nn.relu)
p=layer_(l1,10,1,af=tf.nn.relu)
#定义网络结构

loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - p),reduction_indices=[1]))
#定义损失函数，最后那个reduction_indices没什么用

train_=tf.train.GradientDescentOptimizer(0.1)

x=train_.minimize(loss)
init=tf.global_variables_initializer()
#初始化所有变量

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


for i in range(100):
    seen.run(x,feed_dict={xs:x_data,ys:y_data})
    print("训练次数",str(i))
    print(seen.run(loss,feed_dict={xs: x_data, ys: y_data}))
#最终更新的事变量，这个变量随着更新改变，
seen.close()

FEATURED TAGS

c语言 c++ 面向对象指针容器 python 函数数据结构回归损失函数神经网络机器学习似然函数极大似然标准化深度学习卷积网络参数估计 beta分布数据处理 gradio 模型工程化网页模型加速工具 c++实现变量占位符 tensorflow 线性回归学习tensorflow HMM RNN 强化学习 LSTM pandas 不定长序列损失 pytorch 目标检测 RPN 非极大值抑制 ROIpooling VGG16 Transformer BERT Python 装饰器方法 Pytorch FPN 图像分类 CNN 多模态生成 GPT Tranformer 生成模型 audio

创建简单的神经网络算法模型

CATALOG

FEATURED TAGS