tensorflow構(gòu)建BP神經(jīng)網(wǎng)絡(luò)的方法
更新時間：2018年03月12日 11:51:40 作者：freedom098
這篇文章主要為大家詳細(xì)介紹了tensorflow構(gòu)建BP神經(jīng)網(wǎng)絡(luò)的方法，具有一定的參考價值，感興趣的小伙伴們可以參考一下
之前的一篇博客專門介紹了神經(jīng)網(wǎng)絡(luò)的搭建，是在python環(huán)境下基于numpy搭建的，之前的numpy版兩層神經(jīng)網(wǎng)絡(luò)，不能支持增加神經(jīng)網(wǎng)絡(luò)的層數(shù)。最近看了一個介紹tensorflow的視頻，介紹了關(guān)于tensorflow的構(gòu)建神經(jīng)網(wǎng)絡(luò)的方法，特此記錄。
tensorflow的構(gòu)建封裝的更加完善，可以任意加入中間層，只要注意好維度即可，不過numpy版的神經(jīng)網(wǎng)絡(luò)代碼經(jīng)過適當(dāng)?shù)馗膭右部梢宰龅竭@一點(diǎn)，這里最重要的思想就是層的模型的分離。
import tensorflow as tf
import numpy as np
def addLayer(inputData,inSize,outSize,activity_function = None):
Weights = tf.Variable(tf.random_normal([inSize,outSize]))
basis = tf.Variable(tf.zeros([1,outSize])+0.1)
weights_plus_b = tf.matmul(inputData,Weights)+basis
if activity_function is None:
ans = weights_plus_b
else:
ans = activity_function(weights_plus_b)
return ans
x_data = np.linspace(-1,1,300)[:,np.newaxis] # 轉(zhuǎn)為列向量
noise = np.random.normal(0,0.05,x_data.shape)
y_data = np.square(x_data)+0.5+noise
xs = tf.placeholder(tf.float32,[None,1]) # 樣本數(shù)未知，特征數(shù)為1，占位符最后要以字典形式在運(yùn)行中填入
ys = tf.placeholder(tf.float32,[None,1])
l1 = addLayer(xs,1,10,activity_function=tf.nn.relu) # relu是激勵函數(shù)的一種
l2 = addLayer(l1,10,1,activity_function=None)
loss = tf.reduce_mean(tf.reduce_sum(tf.square((ys-l2)),reduction_indices = [1]))#需要向相加索引號，redeuc執(zhí)行跨緯度操作
train = tf.train.GradientDescentOptimizer(0.1).minimize(loss) # 選擇梯度下降法
init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)
for i in range(10000):
sess.run(train,feed_dict={xs:x_data,ys:y_data})
if i%50 == 0:
print sess.run(loss,feed_dict={xs:x_data,ys:y_data})
以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。
您可能感興趣的文章:
- TensorFlow平臺下Python實現(xiàn)神經(jīng)網(wǎng)絡(luò)
- TensorFlow神經(jīng)網(wǎng)絡(luò)優(yōu)化策略學(xué)習(xí)
- TensorFlow深度學(xué)習(xí)之卷積神經(jīng)網(wǎng)絡(luò)CNN
- TensorFlow實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)CNN
- TensorFlow搭建神經(jīng)網(wǎng)絡(luò)最佳實踐
- Tensorflow實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)用于人臉關(guān)鍵點(diǎn)識別
- 利用TensorFlow訓(xùn)練簡單的二分類神經(jīng)網(wǎng)絡(luò)模型的方法
- TensorFlow實現(xiàn)RNN循環(huán)神經(jīng)網(wǎng)絡(luò)
- tensorflow入門之訓(xùn)練簡單的神經(jīng)網(wǎng)絡(luò)方法
- TensorFlow 實戰(zhàn)之實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)的實例講解
相關(guān)文章
Excel文件通常包含敏感信息,如財務(wù)記錄、客戶數(shù)據(jù)或?qū)Ｓ泄?保護(hù)和加密這些文件對于防止未經(jīng)授權(quán)的訪問和維護(hù)機(jī)密性至關(guān)重要,在本文中,我們將探討如何使用Python自動化Excel文件的安全保護(hù)和加密過程,確保數(shù)據(jù)的安全性,需要的朋友可以參考下2025-02-02
本文主要介紹了詳解Python不同版本之間的切換方法，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2023-03-03
Python中的pydot庫實現(xiàn)復(fù)雜圖形使用教程
pydot是一個用于生成和操作DOT圖文件的Python庫,封裝了Graphviz的功能,適用于可視化圖結(jié)構(gòu),它可以生成依賴圖、流程圖、樹形圖等,并支持復(fù)雜的圖形樣式、網(wǎng)絡(luò)數(shù)據(jù)集成、循環(huán)圖、輸出其他格式、處理大規(guī)模圖數(shù)據(jù)的等等2025-01-01
Pandas實現(xiàn)dataframe和np.array的相互轉(zhuǎn)換
今天小編就為大家分享一篇Pandas實現(xiàn)dataframe和np.array的相互轉(zhuǎn)換，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-11-11
這篇文章主要介紹了Python中的迭代器與生成器高級用法解析,生成器在Python中是迭代器的一種,這里我們會講到生成表達(dá)式、鏈?zhǔn)缴善鞯壬顚哟蝺?nèi)容,需要的朋友可以參考下2016-06-06
在本篇文章里小編給大家整理的是一篇關(guān)于python文件路徑操作方法總結(jié)內(nèi)容，有需要的朋友們可以學(xué)習(xí)下。2020-12-12
基于django channel實現(xiàn)websocket的聊天室的方法示例
這篇文章主要介紹了基于基于django channel實現(xiàn)websocket的聊天室的方法示例，小編覺得挺不錯的，現(xiàn)在分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2019-04-04
本文主要介紹了Python endswith()函數(shù)的具體使用，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2023-07-07
Python實戰(zhàn)之實現(xiàn)百度智能圖片識別
這篇文章主要介紹了如何利用Python編寫一個百度智能圖片識別項目，文中的示例代碼講解詳細(xì)，對我們學(xué)習(xí)Python有一定幫助，需要的可以參考一下2022-01-01
Python中表達(dá)式x += y和x = x+y 的區(qū)別詳解
這篇文章主要跟大家介紹了關(guān)于Python中x += y和x = x+y 的區(qū)別的相關(guān)資料，文中通過示例代碼介紹的非常詳細(xì)，對大家具有一定的參考學(xué)習(xí)價值，需要的朋友們下面來一起看看吧。2017-06-06