tensorflow笔记 （2）

添加一个神经层

在 Tensorflow 里定义一个添加层的函数可以很容易的添加神经层,为之后的添加省下不少时间.

神经层里常见的参数通常有weights、biases和激励函数。

实现一个训练模型

我会尽力在注释中详细说明，一个最简单的模型怎么训练的完整代码

#添加神经层的函数，有四个参数
#输入值，输入的大小，输出的大小和激励函数
def add_layer(inputs, insize, out_size, activation_function=None):

    #在生成初始参数的时候，使用随机变量（normal distribution）会比全部为0要好很多
    #这里的weights为一个in_size行，out_size列的随机变量矩阵
    Weights = tf.Variable(tf.random_normal([insize, out_size]))

    #在机器学习中，biases的推荐值不为0，所以我们这里是在0向量的基础上又加了0.1
    biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)

    #下面，我们定义Wx_plus_b，即神经网络未激活的值。其中，tf.matmul()是矩阵乘法
    #矩阵乘法是列与行的乘法
    Wx_plus_b = tf.matmul(inputs, Weights) + biases

    if activation_function is None:
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b)

    return outputs


#导入数据
#构建所需的数据。这里的x_data和y_data并不是一元二次函数的关系，多加一个躁点
x_data = np.linspace(-1, 1, 300, dtype=np.float32)[:, np.newaxis]
#增加躁点 
noise = np.random.normal(0, 0.05, x_data.shape).astype(np.float32)
y_data = np.square(x_data) - 0.5 + noise

xs = tf.placeholder(tf.float32, [None, 1])
ys = tf.placeholder(tf.float32, [None, 1])

#接下来，我们可以开始定义神经层了。
#通常神经层都包括输入层、隐藏层和输出层。
#这里输入层只有一个属性，所以我们就只有一个输入
#隐藏层我们可以自己假设，这里我们假设隐藏层有10个神经元；
#输出层和输入层的结构是一样的，所以我们的输出层也是只有一层。
#所以，我们构建的是——输入层1个、隐藏层10个、输出层1个的神经网络。

# -- 搭建网络

#这里使用Tensorflow自带的激励函数relu
#隐藏层
l1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu)

#输出层
prediction = add_layer(l1, 10 ,1,activation_function=None)

#计算预测值prediction和真实值的误差，对二者差的平方求和再平均

loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction), reduction_indices=[1]))

#接下来，是很关键的一步，如何让机器学习提升它的准确率。
#tf.train.GradientDescentOptimizer()中的值通常都小于1，这里取的是0.1，代表以0.1的效率来最小化误差loss。

train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

#使用变量的时候都要对它进行初始化，这是必不可少的

init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)


#训练一千次
for i in range(10000):
    # training
    sess.run(train_step, feed_dict={xs: x_data, ys: y_data})

    #每50步我们输出一下机器学习的误差。
    if i % 50 == 0:
        # to see the step improvement
        print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))