文章作者：Tyan
部落格：noahsnail.com  |  CSDN  |  簡書

本文主要是介紹利用tensorflow建立一個簡單的神經網路並進行訓練。

#!/usr/bin/env python
# _*_ coding: utf-8 _*_

import tensorflow as tf
import numpy as np

# 建立一個神經網路層
def add_layer(input, in_size, out_size, activation_function = None):
    """
    :param input:
        神經網路層的輸入
    :param in_zize:
        輸入資料的大小
    :param out_size:
        輸出資料的大小
    :param activation_function:
        神經網路啟用函式，預設沒有
    """
 


    # 定義神經網路的初始化權重
    Weights = tf.Variable(tf.random_normal([in_size, out_size]))
    # 定義神經網路的偏置
    biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)
    # 計算w*x+b
    W_mul_x_plus_b = tf.matmul(input, Weights) + biases
    # 根據是否有啟用函式進行處理
    if activation_function is None:
        output = W_mul_x_plus_b
    else
 
:
        output = activation_function(W_mul_x_plus_b)

    return output

# 建立一個具有輸入層、隱藏層、輸出層的三層神經網路，神經元個數分別為1,10,1
# 建立只有一個特徵的輸入資料，資料數目為300，輸入層
x_data = np.linspace(-1, 1, 300)[:, np.newaxis]
# 建立資料中的噪聲
noise = np.random.normal(0, 0.05, x_data.shape)
# 建立輸入資料對應的輸出
y_data = np.square(x_data) + 1 + noise

# 定義輸入資料，None是樣本數目，表示多少輸入資料都行，1是輸入資料的特徵數目
 

xs = tf.placeholder(tf.float32, [None, 1])
# 定義輸出資料，與xs同理
ys = tf.placeholder(tf.float32, [None, 1])

# 定義一個隱藏層
hidden_layer = add_layer(xs, 1, 10, activation_function = tf.nn.relu)
# 定義輸出層
prediction = add_layer(hidden_layer, 10, 1, activation_function = None)

# 求解神經網路引數
# 定義損失函式
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction), reduction_indices = [1]))
# 定義訓練過程
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
# 變數初始化
init = tf.global_variables_initializer()
# 定義Session
sess = tf.Session()
# 執行初始化工作
sess.run(init)
# 進行訓練
for i in range(1000):
    # 執行訓練，並傳入資料
    sess.run(train_step, feed_dict = {xs: x_data, ys: y_data})
    if i % 100 == 0:
        print sess.run(loss, feed_dict = {xs: x_data, ys: y_data})
# 關閉Session
sess.close()

執行結果如下：

1.06731
0.0111914
0.00651229
0.00530187
0.00472237
0.00429948
0.00399815
0.00377548
0.00359714
0.00345819

參考資料