TensorFlow|2 TensorFlow入门笔记之建造神经网络并将结果可视化 TensorFlow|python

————————————————————————————————————
写在开头：此文参照莫烦python教程（墙裂推荐！！！）
————————————————————————————————————
TensorFlow之建造第一个神经网络 1 定义添加层

import tensorflow as tfdef add_layer(inputs,in_size,out_size,activation_function=None): Weights = tf.Variable(tf.random_normal([in_size,out_size]))#用随机数来初始化Weights，这比全部为0要好，int_size行，out_size列 biases = tf.Variable(tf.zeros([1,out_size])+0.1) #1行，out_size列，均为0.1 Wx_plus_b = tf.matmul(inputs,Weights) + biases#预测出来但还没激活的值 if activation_function is None:#如果没有激活函数，则返回预测原值 outputs = Wx_plus_b else: outputs = activation_function(Wx_plus_b)#否则，返回预测值激活之后的值 return outputs

2 建立神经网络结构

import numpy as np #生成数据 x_data = https://www.it610.com/article/np.linspace(-1,1,300)[:,np.newaxis] #有300行，即一个特性，300个对象 noise = np.random.normal(0,0.05,x_data.shape) #加入噪音，用期望为0、方差为0.05的正态分布的随机数来建立 y_data = np.square(x_data)-0.5 + noise#将输入数据和输出数据定义为placeholder xs = tf.placeholder(tf.float32,[None,1])#1为属性数，None为随意数都行 ys = tf.placeholder(tf.float32,[None,1])#第一层layer，即输入层，这里只有一个神经元 #第二层layer，即隐藏层，这里定义10个神经元 #第三层layer，这里为输出层，这里有一个神经元#下面增加第二层，即这里的隐藏层 l1 = add_layer(xs,1,10,activation_function=tf.nn.relu)#下面定义输出层 prediction = add_layer(l1,10,1,activation_function=None)#计算损失 loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys -prediction),reduction_indices=[1]))#求和之后求平均#训练 train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)#学习效率为0.1，学习效率一般小于1#初始所有变量 init = tf.global_variables_initializer()sess = tf.Session() sess.run(init)for i in range(1000): 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}))#打印误差，如果误差不断减小，则模型有不断学习

0.32276458 0.012201915 0.0066840313 0.0057683536 0.0053448635 0.0050948677 0.004914441 0.004781631 0.0046798103 0.0046042935 0.004543632 0.0044809543 0.0044029644 0.0042897784 0.004155126 0.004016761 0.0038873414 0.003766319 0.0036393174 0.0035409257

由上面结果可知，误差是越来越小的。这说明，这个网络是在不断学习的
3 结果可视化

#在上面的for之前加入一些绘图的代码，如下： %matplotlib inline import matplotlib.pyplot as plt #结果可视化所用#加入绘图代码,先打印x_data和y_data fig = plt.figure() ax = fig.add_subplot(1,1,1) ax.scatter(x_data,y_data) plt.ion()#使show（）后不会暂停程序 #plt.show()for i in range(1000): #训练 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}))#打印误差，如果误差不断减小，则模型有不断学习 try: ax.lines.remove(lines[0]) except Exception: pass prediction_value = https://www.it610.com/article/sess.run(prediction,feed_dict={xs:x_data})#计算预测值 lines = ax.plot(x_data,prediction_value,'r-',lw = 5)#绘制预测值的曲线，红色，线框为5 #ax.lines.remove(lines[0]) #抹除掉第一个线段 plt.pause(1) #暂停1秒

【TensorFlow|2 TensorFlow入门笔记之建造神经网络并将结果可视化】

文章图片

这里应该是有一条红色的线在不断拟合这些蓝点的。这里只显示了最后一条红色的线
4 加速神经网络

SGD：把数据分块，每次使用批量数据。虽然损失了一点精度，但速度大大加快了
Mmomentum：在更新W权值时加速。公式如下：
m = b1*m - learning rate * dx;
W += m
AdaGrad:在更新W权值时加速。公式如下：
v += pow(dx,2)
W += -Learning rate * dx /sqrt(v)
RMSProp：在更新W权值时加速。公式如下：
v = b1*v + (1-b1)*pow(dx,2)
W += -Learning rate * dx/sqrt(v)
Adam:在更新W权值时加速。公式如下：(又快又好）
m = b1*m +(1-b1)*dx
v = b2*v + (1-b2)*pow(dx,2)
W += -Learning tate *m/sqrt(v)

5 Optimizer优化器
TensorFlow有很多优化器，可以去tensorflow的官网查询

#这里列出几种优化器：tf.train.GradientDescentOptimizer#初级常用 tf.train.AdadeltaOptimizer tf.train.AdagradOptimizer tf.train.MomentumOptimizer#常用 tf.train.AdamOptimizer#常用 tf.train.FtrlOptimizer tf.train.RMSPropOptimizer #常用

6 网络可视化工具：tensorboard
利用Tensorboard，可以很好的画出我们的网络结构。下面以上面的例子为例，实践一下。

#把上面的代码copy下来先

import tensorflow as tfdef add_layer(inputs,in_size,out_size,activation_function=None): with tf.name_scope('layer'):#加入名字 with tf.name_scope('weights'): Weights = tf.Variable(tf.random_normal([in_size,out_size]))#用随机数来初始化Weights，这比全部为0要好，int_size行，out_size列 with tf.name_scope('biases'): biases = tf.Variable(tf.zeros([1,out_size])+0.1) #1行，out_size列，均为0.1 with tf.name_scope('Wx_plus_b'): Wx_plus_b = tf.matmul(inputs,Weights) + biases#预测出来但还没激活的值 if activation_function is None:#如果没有激活函数，则返回预测原值 outputs = Wx_plus_b else: outputs = activation_function(Wx_plus_b)#否则，返回预测值激活之后的值 return outputs

import numpy as np x_data = https://www.it610.com/article/np.linspace(-1,1,300)[:,np.newaxis] noise = np.random.normal(0,0.05,x_data.shape) y_data = np.square(x_data)-0.5 + noisewith tf.name_scope('input'): xs = tf.placeholder(tf.float32,[None,1],name='x_input')#加入名字name ys = tf.placeholder(tf.float32,[None,1],name='y_input')#第一层layer，即输入层，这里只有一个神经元 #第二层layer，即隐藏层，这里定义10个神经元 #第三层layer，这里为输出层，这里有一个神经元#下面增加第二层，即这里的隐藏层 l1 = add_layer(xs,1,10,activation_function=tf.nn.relu)#下面定义输出层 prediction = add_layer(l1,10,1,activation_function=None)#计算损失 with tf.name_scope('loss'): loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys -prediction),reduction_indices=[1]),name='mean') #训练 with tf.name_scope('train'): train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) sess = tf.Session() writer = tf.summary.FileWriter("desktop",sess.graph) #初始所有变量 init = tf.global_variables_initializer() sess.run(init)

这样桌面便出现了events.out。但我在win10下无法打开。
*点击[这儿：TensorFlow]发现更多关于TensorFlow的文章*