深度学习——用向量重新组织输入数据

参考书籍：《深度学习——基于Python语言和TensorFlow平台》
输入数据改变时，即使整套逻辑没有变，也要去修改整个网络模型，比较麻烦。另外，节点数多了也会让模型图看起来比较复杂，所以在通常的神经网络中，很多时候会把这种一串的数据组织成一个“向量”来送入神经网络进行计算。这里的“向量”与数学几何中的向量概念稍有不同，就是指一串数字，在程序中用一个数组来表示。数组是有顺序的，向量中有几个数字，一般就把它叫作几“维”的向量。

import tensorflow as tf

x = tf.placeholder(shape=[3], dtype=tf.float32)

# yTrain因为只是一个普通数字，不是向量，如果要给它一个形态的话，可以用一个空的方括号"[]"来表示
yTrain = tf.placeholder(shape=[], dtype=tf.float32)

# tf.zeros([3]返回一个全值为0的3维向量
w = tf.Variable(tf.zeros([3]), dtype=tf.float32)

n = x*w

# tf.reduce_sum函数的作用是把作为它的参数的向量中的所有维度的值相加求和
y = tf.reduce_sum(n)

loss = tf.abs(y-yTrain)

optimizer = tf.train.RMSPropOptimizer(0.001)

train = optimizer.minimize(loss)

sess = tf.Session()

init = tf.global_variables_initializer()

sess.run(init)

for i in range(5000):
    result = sess.run([train, x, w, y, yTrain, loss], feed_dict={x: [90, 80, 70], yTrain: 85})
    print(result)

    result = sess.run([train, x, w, y, yTrain, loss], feed_dict={x: [98, 95, 87], yTrain: 96})
    print(result)