神经网络一（用tensorflow搭建简单的神经网络并可视化）

微信公众号关注我，更多计算机知识告诉你！



 1 import tensorflow as tf
 2 import numpy as np
 3 import matplotlib.pyplot as plt
 4 
 5 #创建一个input数据，-1到1之间300个数，[:,np.newaxis]把x_data变成300维的
 6 x_data=np.linspace(-1,1,300)[:,np.newaxis]
 7 #添加噪点，把他变得更像真实数据
 8 noise=np.random.normal(0,0.05,x_data.shape)
 9 #创建一个input的数据
10 y_data=np.square(x_data)-0.5+noise 

 1 #这里定义了一个添加神经层的方法
 2 def add_layer(inputs,in_size,out_size,n_layer,activation_function=None):
 3     #定义layer_name是为了在可视化中可以看到这个模块的名字，这里传入的
 4     #n_layer代表我们现在正创建第几个神经层
 5     layer_name=\'layer%s\' % n_layer
 6     #在这里是我们layer_name模块，可视化的时候我们可以看到结果
 7     with tf.name_scope(layer_name):
 8         with tf.name_scope(\'weights\'):
 9             #这里定义的weights模块中，tf.random_normal方法从正态分布中输出随机值
10             #输出形状为[in_size，out_size]的矩阵，令其为初始值，名字为W
11             Weights=tf.Variable(tf.random_normal([in_size,out_size]),name=\'W\')
12             #在这里将这个模块命名为layer_name+weights
13             #并用tf.summary.histogram输入到日志文件中
14             tf.summary.histogram(layer_name+\'/weights\',Weights)
15             
16         with tf.name_scope(\'biases\'):
17             #在这里另一个形状为[1,out_size]的矩阵为初始值
18             #矩阵的每一个元素均为初始值
19             biases=tf.Variable(tf.zeros([1,out_size])+0.1,name=\'b\')
20             tf.summary.histogram(layer_name+\'/biases\',biases)
21              
22         with tf.name_scope(\'Wx_plus_b\'):
23             #这里定义的模块为Wx_plus_b
24             #之后加上biases时是矩阵的每一行都去加biases这个数组
25             Wx_plus_b=tf.matmul(inputs,Weights)+biases
26         #在这里如果没有激活函数则直接输出
27         #若有激活函数则用激活函数，然后给模块命名
28         if activation_function is None:
29             outputs=Wx_plus_b
30         else:
31             outputs=activation_function(Wx_plus_b)
32             tf.summary.histogram(layer_name+\'/outputs\',outputs)
33         #sess=tf.Session()
34         return outputs

1 with tf.name_scope(\'inputs\'):
2     #这里用tf.placeholder定义一个参数，方便后续为其传值
3     xs=tf.placeholder(tf.float32,[None,1],name=\'x_input\')
4     ys=tf.placeholder(tf.float32,[None,1],name=\'y_input\')

1 #这里第一层输入参数inputs=xs，Weights是一个1*10的矩阵
2 #激活函数为relu
3 l1=add_layer(xs,1,10,n_layer=1,activation_function=tf.nn.relu)
4 #这里第二层输入参数inputs=l1，Weights是一个1*10的矩阵
5 #激活函数为空
6 prediction=add_layer(l1,10,1,n_layer=2,activation_function=None)

1 #这里定义了一个损失函数，
2 with tf.name_scope(\'loss\'):
3     loss=tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1]))
4     tf.summary.scalar(\'loss\',loss)
5 #神经网络优化器，这里使用了梯度下降法
6 #使用优化器去减少每一步的误差
7 with tf.name_scope(\'train\'):
8     train_step=tf.train.GradientDescentOptimizer(0.1).minimize(loss)

1 sess=tf.Session()
2 merged= tf.summary.merge_all()
3 #这里将神经网络结构输入到一个文件中
4 writer=tf.summary.FileWriter("logs/",sess.graph)

 1 sess=tf.Session()
 2 merged= tf.summary.merge_all()
 3 #这里将神经网络结构输入到一个文件中
 4 writer=tf.summary.FileWriter("logs/",sess.graph)
 5 
 6 
 7 sess.run(tf.global_variables_initializer())
 8 for i in range(1000):
 9     #开始训练，设置迭代次数为1000次
10     #这里输入的x_data参数为一个300*1的矩阵
11     #先在l1网络层运算,将300*10的矩阵Wx_plus_b输入到激活函数Relu中，然后输出
12     #输出结果也为300*10的矩阵
13     #然后在输出层prediction
14     #输入为300*10的矩阵，Weights为10*1的矩阵
15     #相乘后为300*1的矩阵然后加上1*1的biases
16     #输出为300*91的矩阵
17     #然后与之前的y_data去做loss误差分析
18     #计算误差
19     sess.run(train_step,feed_dict={xs:x_data,ys:y_data})
20     if i % 50==0:
21         #每迭代50次输出带日志文件，将所有日志文件都merged合并起来
22         result=sess.run(merged,feed_dict={xs:x_data,ys:y_data})
23         writer.add_summary(result,i)
24     

writer=tf.summary.FileWriter("logs/",sess.graph)