【Tensorflow】【学习笔记5】建造我们第一个神经网络

定义 add_layer()

在 Tensorflow 里定义一个添加层的函数可以很容易的添加神经层,为之后的添加省下不少时间.

神经层里常见的参数通常有weights、biases和激励函数。

首先&＃xff0c;我们需要导入tensorflow模块。

import tensorflow as tf


然后定义添加神经层的函数def add_layer(),它有四个参数&＃xff1a;输入值、输入的大小、输出的大小和激励函数&＃xff0c;我们设定默认的激励函数是None。

def add_layer(inputs, in_size, out_size, activation_function&＃61;None):


接下来&＃xff0c;我们开始定义weights和biases。

因为在生成初始参数时随机变量(normal distribution)会比全部为0要好很多&＃xff0c;
所以我们这里的Weights为一个in_size行, out_size列的随机变量矩阵。

Weights &＃61; tf.Variable(tf.random_normal([in_size, out_size]))


在机器学习中&＃xff0c;biases的推荐值不为0&＃xff0c;所以我们这里是在0向量的基础上又加了0.1。

biases &＃61; tf.Variable(tf.zeros([1, out_size]) &＃43; 0.1)
下面&＃xff0c;我们定义Wx_plus_b, 即神经网络未激活的值。其中&＃xff0c;tf.matmul()是矩阵的乘法。

Wx_plus_b &＃61; tf.matmul(inputs, Weights) &＃43; biases


当activation_function——激励函数为None时&＃xff0c;输出就是当前的预测值——Wx_plus_b

不为None时&＃xff0c;就把Wx_plus_b传到activation_function()函数中得到输出。

if activation_function is None:outputs &＃61; Wx_plus_belse:outputs &＃61; activation_function(Wx_plus_b)


最后&＃xff0c;返回输出&＃xff0c;添加一个神经层的函数——def add_layer()就定义好了。

return outputs


创建神经网络

构建所需的数据。 这里的x_data和y_data并不是严格的一元二次函数的关系&＃xff0c;因为我们多加了一个noise,这样看起来会更像真实情况。

import numpy as np
x_data &＃61; np.linspace(-1,1,300, dtype&＃61;np.float32)[:, np.newaxis]
noise &＃61; np.random.normal(0, 0.05, x_data.shape).astype(np.float32)
y_data &＃61; np.square(x_data) - 0.5 &＃43; noise


0

The defined placeholders (both x and y) are 2-dimensional, so you should reshape the input arrays to rank 2. Try to add this

x_data &＃61; x_data.reshape([-1,1])
y_data &＃61; y_data.reshape([-1,1])


利用占位符定义我们所需的神经网络的输入。 **tf.placeholder()**就是代表占位符&＃xff0c;这里的None代表无论输入有多少都可以&＃xff0c;因为输入只有一个特征&＃xff0c;所以这里是1。

xs &＃61; tf.placeholder(tf.float32, [None, 1])
ys &＃61; tf.placeholder(tf.float32, [None, 1])


接下来&＃xff0c;我们就可以开始定义神经层了。 通常神经层都包括输入层、隐藏层和输出层。这里的输入层只有一个属性&＃xff0c; 所以我们就只有一个输入&＃xff1b;隐藏层我们可以自己假设&＃xff0c;这里我们假设隐藏层有10个神经元&＃xff1b; 输出层和输入层的结构是一样的&＃xff0c;所以我们的输出层也是只有一层。 所以&＃xff0c;我们构建的是——输入层1个、隐藏层10个、输出层1个的神经网络。

完整代码

import tensorflow as tf
import numpy as nptf.compat.v1.disable_eager_execution()
#定义添加神经层的函数def add_layer(),
#输入值、输入的大小、输出的大小和激励函数
#我们设定默认的激励函数是None。
def add_layer(inputs,in_size,out_size,activation_function&＃61;None):#因为在生成初始参数时&＃xff0c;随机变量(normal distribution)会比全部为0要好很多#所以我们这里的Weights为一个in_size行, out_size列的随机变量矩阵。Weights &＃61; tf.Variable(tf.compat.v1.random_normal([in_size,out_size]))#biases的推荐值不为0&＃xff0c;所以我们这里是在0向量的基础上又加了0.1biases &＃61; tf.Variable(tf.zeros([1,out_size])&＃43;0.1)#Wx_plus_b为神经网络未激活的值.tf.matmul()是矩阵的乘法。Wx_plus_b &＃61; tf.matmul(inputs,Weights) &＃43; biases#当激励函数为None时输出就是当前的预测值——Wx_plus_b# 不为None时&＃xff0c;就把Wx_plus_b传到activation_function()函数中得到输出。if activation_function is None:outputs &＃61; Wx_plus_belse:outputs &＃61; activation_function(Wx_plus_b)return outputsx_data &＃61; np.linspace(-1, 1, 300)[:np.newaxis]
#加点噪点noise
noise &＃61; np.random.normal(0, 0.05, x_data.shape)
y_data &＃61; np.square(x_data)-0.5 &＃43; noise
x_data &＃61; x_data.reshape([-1,1])
y_data &＃61; y_data.reshape([-1,1])
xs &＃61; tf.compat.v1.placeholder(tf.float32, [None, 1])
ys &＃61; tf.compat.v1.placeholder(tf.float32, [None, 1])l1 &＃61; add_layer(xs, 1, 10, activation_function &＃61; tf.nn.relu)
prediction &＃61; add_layer(l1, 10, 1, activation_function &＃61; None)
#在reduce_sum()函数中参数&＃xff1a;reduction_indices已经被废弃&＃xff0c;
# 取而代之的是参数&＃xff1a;axis
loss &＃61; tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),axis&＃61;[1]))
train_step &＃61; tf.compat.v1.train.GradientDescentOptimizer(0.1).minimize(loss)init &＃61; tf.compat.v1.initialize_all_variables()
sess &＃61; tf.compat.v1.Session()
sess.run(init)for i in range(3000):sess.run(train_step, feed_dict&＃61;{xs: x_data, ys: y_data})if i % 100 &＃61;&＃61; 0:print("loss",i,":",sess.run(loss, feed_dict&＃61;{xs: x_data, ys: y_data}))


输出结果&＃xff1a;

loss 0 : 0.19589649
loss 100 : 0.010356216
loss 200 : 0.0043438473
loss 300 : 0.0032807668
loss 400 : 0.0030925728
loss 500 : 0.0029663213
loss 600 : 0.0028795048
loss 700 : 0.0028170738
loss 800 : 0.0027751224
loss 900 : 0.0027430584
loss 1000 : 0.0027192773
loss 1100 : 0.0026999624
loss 1200 : 0.002700134
loss 1300 : 0.0032784946
loss 1400 : 0.010102514
loss 1500 : 0.0030150362
loss 1600 : 0.002679643
loss 1700 : 0.002650431
loss 1800 : 0.0026410439
loss 1900 : 0.0026374548
loss 2000 : 0.002641836
loss 2100 : 0.0027119485
loss 2200 : 0.0034197744
loss 2300 : 0.0055820374
loss 2400 : 0.0034023232
loss 2500 : 0.0027240016
loss 2600 : 0.002637635
loss 2700 : 0.0026169182
loss 2800 : 0.0026102483
loss 2900 : 0.0026087416Process finished with exit code 0

结果可视化

matplotlib 可视化
构建图形&＃xff0c;用散点图描述真实数据之间的关系。 &＃xff08;注意&＃xff1a;plt.ion()用于连续显示。&＃xff09;

fig &＃61; plt.figure()
ax &＃61; fig.add_subplot(1,1,1)
ax.scatter(x_data, y_data)
plt.ion()#本次运行请注释&＃xff0c;全局运行不要注释
plt.show()


散点图的结果为&＃xff1a;

接下来&＃xff0c;我们来显示预测数据。

每隔50次训练刷新一次图形&＃xff0c;用红色、宽度为5的线来显示我们的预测数据和输入之间的关系&＃xff0c;并暂停0.1s。

for i in range(1000):# trainingsess.run(train_step, feed_dict&＃61;{xs: x_data, ys: y_data})if i % 50 &＃61;&＃61; 0:# to visualize the result and improvementtry:ax.lines.remove(lines[0])except Exception:passprediction_value &＃61; sess.run(prediction, feed_dict&＃61;{xs: x_data})# plot the predictionlines &＃61; ax.plot(x_data, prediction_value, &＃39;r-&＃39;, lw&＃61;5)plt.pause(0.1)


最后&＃xff0c;机器学习的结果为&＃xff1a;

完整代码&＃xff0c;tf2.0&＃xff0c;已调试

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plttf.compat.v1.disable_eager_execution()
#定义添加神经层的函数def add_layer(),
#输入值、输入的大小、输出的大小和激励函数
#我们设定默认的激励函数是None。
def add_layer(inputs,in_size,out_size,activation_function&＃61;None):#因为在生成初始参数时&＃xff0c;随机变量(normal distribution)会比全部为0要好很多#所以我们这里的Weights为一个in_size行, out_size列的随机变量矩阵。Weights &＃61; tf.Variable(tf.compat.v1.random_normal([in_size,out_size]))#biases的推荐值不为0&＃xff0c;所以我们这里是在0向量的基础上又加了0.1biases &＃61; tf.Variable(tf.zeros([1,out_size])&＃43;0.1)#Wx_plus_b为神经网络未激活的值.tf.matmul()是矩阵的乘法。Wx_plus_b &＃61; tf.matmul(inputs,Weights) &＃43; biases#当激励函数为None时输出就是当前的预测值——Wx_plus_b# 不为None时&＃xff0c;就把Wx_plus_b传到activation_function()函数中得到输出。if activation_function is None:outputs &＃61; Wx_plus_belse:outputs &＃61; activation_function(Wx_plus_b)return outputsx_data &＃61; np.linspace(-1, 1, 300)[:np.newaxis]
#加点噪点noise
noise &＃61; np.random.normal(0, 0.05, x_data.shape)
y_data &＃61; np.square(x_data)-0.5 &＃43; noise
x_data &＃61; x_data.reshape([-1,1])
y_data &＃61; y_data.reshape([-1,1])
xs &＃61; tf.compat.v1.placeholder(tf.float32, [None, 1])
ys &＃61; tf.compat.v1.placeholder(tf.float32, [None, 1])l1 &＃61; add_layer(xs, 1, 10, activation_function &＃61; tf.nn.relu)
prediction &＃61; add_layer(l1, 10, 1, activation_function &＃61; None)
#在reduce_sum()函数中参数&＃xff1a;reduction_indices已经被废弃&＃xff0c;
# 取而代之的是参数&＃xff1a;axis
loss &＃61; tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),axis&＃61;[1]))
train_step &＃61; tf.compat.v1.train.GradientDescentOptimizer(0.1).minimize(loss)init &＃61; tf.compat.v1.initialize_all_variables()
sess &＃61; tf.compat.v1.Session()
sess.run(init)
fig &＃61; plt.figure()
ax &＃61; fig.add_subplot(1,1,1)
ax.scatter(x_data,y_data)
plt.ion()for i in range(1000):sess.run(train_step, feed_dict&＃61;{xs: x_data, ys: y_data})if i % 50 &＃61;&＃61; 0:print("loss",i,":",sess.run(loss, feed_dict&＃61;{xs: x_data, ys: y_data}))try:ax.lines.remove(lines[0])except Exception:passprediction_value &＃61; sess.run(prediction, feed_dict&＃61;{xs: x_data})# plot the predictionlines &＃61; ax.plot(x_data, prediction_value, &＃39;r-&＃39;, lw&＃61;5)
plt.pause(0.1)
#plt.ioff()
plt.show()


输出&＃xff1a;

loss 0 : 0.24042892
loss 50 : 0.00895267
loss 100 : 0.006815916
loss 150 : 0.0059095607
loss 200 : 0.005349032
loss 250 : 0.004874373
loss 300 : 0.0044414266
loss 350 : 0.0040638433
loss 400 : 0.00377721
loss 450 : 0.0035628453
loss 500 : 0.003364147
loss 550 : 0.0031985692
loss 600 : 0.0030857045
loss 650 : 0.0030024864
loss 700 : 0.002943992
loss 750 : 0.0028949715
loss 800 : 0.002852751
loss 850 : 0.0028125304
loss 900 : 0.002781288
loss 950 : 0.002758322Process finished with exit code 0