基于Tensorflow搭建一个神经网络的实现

 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

 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)