学习笔记:基于tensorflow的一个简单的神经网络例子:训练得到y=Wx+b中W和b值

import tensorflow as tf
import numpy as np

# create data
x_data = np.random.rand(100).astype(np.float32) #生成100以内随机数列
y_data = x_data*0.1 + 0.3

# create tensorflow struct start
# 定义参数变量
# 1.生成1维矩阵,取值是【-1,1】之间的随机数
Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0), name='W')
# 2.生成1维矩阵,初始值是0
biases = tf.Variable(tf.zeros([1]), name='b')
#经过计算得到预估值y,找到最合适的W和b
y = Weights*x_data + biases   # 即y=Wx+b

#以估计值y和实际值y_data之间的均方误差作为损失
#square()为计算平方差,train为计算张量tensorflow的平均值
loss = tf.reduce_mean(tf.square(y-y_data))
#采用梯度下降法来优化参数---优化器,参数为学习效率,小于1的数,这里设为0.5
# 在优化神经网络时,需要设置学习率(learning rate)控制参数更新的速度。
# 学习率决定了参数每次更新的幅度。如果幅度过大,那么可能导致参数在极优值的两侧来回移动
# 学习率过小时,虽然能保证收敛性,但是会大大降低优化速度
optimizer = tf.train.GradientDescentOptimizer(0.5)
# 训练的过程就是最小化这个误差值
train = optimizer.minimize(loss)

# 初始化所有变量
init = tf.initialize_all_variables()
#tf.initialize_all_variables() 该函数将不再使用,在 2017年3月2号以后;
#用 tf.global_variables_initializer() 替代 tf.initialize_all_variables()

# create tensorflow structure end

# 创建一个会话
sess = tf.Session()
#
sess.run(init)   # very important 激活init,整个神经网络结构被激活

for step in range(201):
    # run可按指针理解,下面指向训练
    sess.run(train)
    if step % 20 == 0:
        #运行 session.run() 可以获得你要得知的运算结果, 或者是你所要运算的部分.
        print(step, sess.run(Weights), sess.run(biases))  #指向两个参数值

如上训练201步,每个20步输出以此权重Weight和偏差biases的训练结果,

如下图:

学习笔记:基于tensorflow的一个简单的神经网络例子:训练得到y=Wx+b中W和b值_第1张图片

你可能感兴趣的:(神经网络)