小编给大家分享一下基于Tensorflow如何搭建一个神经网络,相信大部分人都还不怎么了解,因此分享这篇文章给大家参考一下,希望大家阅读完这篇文章后大有收获,下面让我们一起去了解一下吧!一、Tensorlow结构import te
小编给大家分享一下基于Tensorflow如何搭建一个神经网络,相信大部分人都还不怎么了解,因此分享这篇文章给大家参考一下,希望大家阅读完这篇文章后大有收获,下面让我们一起去了解一下吧!
import tensorflow as tfimport numpy as np #创建数据x_data = np.random.rand(100).astype(np.float32)y_data = x_data*0.1+0.3 #创建一个 tensorlow 结构weights = tf.Variable(tf.random_unifORM([1], -1.0, 1.0))#一维,范围[-1,1]biases = tf.Variable(tf.zeros([1])) y = weights*x_data + biases loss = tf.reduce_mean(tf.square(y - y_data))#均方差函数 #建立优化器,减少误差,提高参数准确度,每次迭代都会优化optimizer = tf.train.GradientDescentOptimizer(0.5)#学习率为0.5(<1)train = optimizer.minimize(loss)#最小化损失函数 #初始化不变量init = tf.global_variables_initializer() with tf.Session() as sess: sess.run(init) #train for step in range(201): sess.run(train) if step % 20 == 0: print(step, sess.run(weights), sess.run(biases))
import tensorflow as tf matrix1 = tf.constant([[3, 3]])matrix2 = tf.constant([[2], [2]]) product = tf.matmul(matrix1, matrix2) #method1sess = tf.Session()result2 = sess.run(product)print(result2) #method2# with tf.Session() as sess:# result2 = sess.run(product)# print(result2)
import tensorflow as tf state = tf.Variable(0, name = 'counter')#变量初始化# print(state.name)one = tf.constant(1)new_value = tf.add(state, one)#将state用new_value代替updata = tf.assign(state, new_value) #变量激活init = tf.global_variables_initializer() with tf.Session() as sess: sess.run(init) for _ in range(3): sess.run(updata) print(sess.run(state))
#给定type,tf大部分只能处理float32数据input1 = tf.placeholder(tf.float32)input2 = tf.placeholder(tf.float32) output = tf.multiply(input1, input2) with tf.Session() as sess: print(sess.run(output, feed_dict={input1:[7.], input2:[2.]}))
import tensorflow as tfimport numpy as npimport matplotlib.pyplot as plt def add_layer(inputs, in_size, out_size, activation_function = None): Weights = tf.Variable(tf.random_normal([in_size, out_size]))#正态分布 biases = tf.Variable(tf.zeros([1, out_size])+0.1) #1行,out_size列,初始值不推荐为0,所以加上0.1 Wx_plus_b = tf.matmul(inputs, Weights) + biases #Weights*x+b的初始化值,也是未激活的值 #激活 if activation_function is None: #如果没有设置激活函数,,则直接把当前信号原封不动的传递出去 outputs = Wx_plus_b else: #如果设置了激活函数,则由此激活函数对信号进行传递或抑制 outputs = activation_function(Wx_plus_b) return outputs
七、创建一个神经网络
import tensorflow as tfimport numpy as npimport matplotlib.pyplot as plt def add_layer(inputs, in_size, out_size, activation_function = None): Weights = tf.Variable(tf.random_normal([in_size, out_size]))#正态分布 biases = tf.Variable(tf.zeros([1, out_size])+0.1) #1行,out_size列,初始值不推荐为0,所以加上0.1 Wx_plus_b = tf.matmul(inputs, Weights) + biases #Weights*x+b的初始化值,也是未激活的值 #激活 if activation_function is None: #如果没有设置激活函数,,则直接把当前信号原封不动的传递出去 outputs = Wx_plus_b else: #如果设置了激活函数,则由此激活函数对信号进行传递或抑制 outputs = activation_function(Wx_plus_b) return outputs """定义数据形式"""#创建一列(相当于只有一个属性值),(-1,1)之间,有300个单位,后面是维度,x_data是有300行x_data = np.linspace(-1, 1, 300)[:, np.newaxis]#np.linspace在指定间隔内返回均匀间隔数字#加入噪声,均值为0,方差为0.05,形状和x_data一样noise = np.random.normal(0, 0.05, x_data.shape)#定义y的函数为二次曲线函数,同时增加一些噪声数据y_data = np.square(x_data) - 0.5 + noise #定义输入值,输入结构的输入行数不固定,但列就是1列的值xs = tf.placeholder(tf.float32, [None, 1])ys = tf.placeholder(tf.float32, [None, 1]) """建立网络"""#定义隐藏层,输入为xs,输入size为1列,因为x_data只有一个属性值,输出size假定有10个神经元的隐藏层,激活函数relul1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu)#定义输出层,输出为l1输入size为10列,也就是l1的列数,输出size为1,这里的输出类似y_data,因此为1列prediction = add_layer(l1, 10, 1,activation_function=None) """预测"""#定义损失函数为差值平方和的平均值loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1])) """训练"""#进行逐步优化的梯度下降优化器,学习率为0.1,以最小化损失函数进行优化train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)#初始化模型所有参数init = tf.global_variables_initializer() #可视化with tf.Session() as sess: sess.run(init) for i in range(1000):#学习1000次 sess.run(train_step, feed_dict={xs:x_data, ys:y_data}) if i%50==0: print(sess.run(loss, feed_dict={xs:x_data, ys:y_data}))
import tensorflow as tfimport numpy as npimport matplotlib.pyplot as plt def add_layer(inputs, in_size, out_size, activation_function = None): Weights = tf.Variable(tf.random_normal([in_size, out_size]))#正态分布 biases = tf.Variable(tf.zeros([1, out_size])+0.1) #1行,out_size列,初始值不推荐为0,所以加上0.1 Wx_plus_b = tf.matmul(inputs, Weights) + biases #Weights*x+b的初始化值,也是未激活的值 #激活 if activation_function is None: #如果没有设置激活函数,,则直接把当前信号原封不动的传递出去 outputs = Wx_plus_b else: #如果设置了激活函数,则由此激活函数对信号进行传递或抑制 outputs = activation_function(Wx_plus_b) return outputs """定义数据形式"""#创建一列(相当于只有一个属性值),(-1,1)之间,有300个单位,后面是维度,x_data是有300行x_data = np.linspace(-1, 1, 300)[:, np.newaxis]#np.linspace在指定间隔内返回均匀间隔数字#加入噪声,均值为0,方差为0.05,形状和x_data一样noise = np.random.normal(0, 0.05, x_data.shape)#定义y的函数为二次曲线函数,同时增加一些噪声数据y_data = np.square(x_data) - 0.5 + noise #定义输入值,输入结构的输入行数不固定,但列就是1列的值xs = tf.placeholder(tf.float32, [None, 1])ys = tf.placeholder(tf.float32, [None, 1]) """建立网络"""#定义隐藏层,输入为xs,输入size为1列,因为x_data只有一个属性值,输出size假定有10个神经元的隐藏层,激活函数relul1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu)#定义输出层,输出为l1输入size为10列,也就是l1的列数,输出size为1,这里的输出类似y_data,因此为1列prediction = add_layer(l1, 10, 1,activation_function=None) """预测"""#定义损失函数为差值平方和的平均值loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1])) """训练"""#进行逐步优化的梯度下降优化器,学习率为0.1,以最小化损失函数进行优化train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)#初始化模型所有参数init = tf.global_variables_initializer() #可视化with tf.Session() as sess: sess.run(init) fig = plt.figure()#先生成一个图片框 #连续性画图 ax = fig.add_subplot(1, 1, 1)#编号为1,1,1 ax.scatter(x_data, y_data)#画散点图 #不暂停 plt.ion()#打开互交模式 # plt.show() #plt.show绘制一次就暂停了 for i in range(1000):#学习1000次 sess.run(train_step, feed_dict={xs:x_data, ys:y_data}) if i%50==0: try: #画出一条后,抹除掉,去除第一个线段,但是只有一个相当于抹除当前线段 ax.lines.remove(lines[0]) except Exception: pass prediction_value = sess.run(prediction, feed_dict={xs:x_data}) lines = ax.plot(x_data,prediction_value,'r-',lw=5)#lw线宽 #暂停 plt.pause(0.5)
可视化结果:
动图效果如下所示:
以上是“基于Tensorflow如何搭建一个神经网络”这篇文章的所有内容,感谢各位的阅读!相信大家都有了一定的了解,希望分享的内容对大家有所帮助,如果还想学习更多知识,欢迎关注编程网精选频道!
--结束END--
本文标题: 基于Tensorflow如何搭建一个神经网络
本文链接: https://www.lsjlt.com/news/276879.html(转载时请注明来源链接)
有问题或投稿请发送至: 邮箱/279061341@qq.com QQ/279061341
下载Word文档到电脑,方便收藏和打印~
2024-05-16
2024-05-16
2024-05-16
2024-05-16
2024-05-16
2024-05-16
2024-05-16
2024-05-16
2024-05-16
2024-05-16
回答
回答
回答
回答
回答
回答
回答
回答
回答
回答
0