Tensorflow搭建一个神经网络
一、Tensorlow结构
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))二、session的使用
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)
三、Variable的使用
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))四、placeholder的使用
#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.]}))
五、激活函数
六、添加层
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}))
八、可视化
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：
