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 tf import 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) #method1 sess = 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 tf import numpy as np import 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 tf
import numpy as np
import 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relu
l1 = 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 tf
import numpy as np
import 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relu
l1 = 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，欢迎关注亿速云行业资讯频道！
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
