抱歉,您的浏览器无法访问本站

本页面需要浏览器支持(启用)JavaScript


了解详情 >

这次提到了怎样建造一个完整的神经网络, 包括添加 神经层, 计算误差, 训练步骤, 判断是否在学习.

1. add_layer 功能

首先,我们导入本次所需的模块

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
import tensorflow as tf
import numpy as np

# 构造添加一个神经层的函数
def add_layer(inputs, in_size, out_size, activation_function=None):

Weights = tf.Variable(tf.random_normal([in_size, out_size]))
biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)

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

TensorFlow随机值: tf.random_normal函数: 将返回一个指定形状的张量,通过随机的正常值填充

tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)

2. 导入数据

构建所需的数据。

这里的 x_datay_data 并不是严格的一元二次函数的关系,因为我们多加了一个 noise, 这样看起来会更像真实情况

1
2
3
4
5
6
7
8
9
10
11
12
13
14
x_data = np.linspace(-1,1,300, dtype=np.float32)[:, np.newaxis]
# numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
# 得到 300 个大小的一维数组, 通过 [:, np.newaxis] 行变列,变为 300 行,1 列 的二维 数组

# numpy.random.normal(loc=0.0 均值, scale=1.0 标准差, size=None 形状)
noise = np.random.normal(0, 0.05, x_data.shape).astype(np.float32)

y_data = np.square(x_data) - 0.5 + noise

# 利用占位符定义我们所需的神经网络的输入。 `tf.placeholder()` 就是代表占位符
# 这里的 `None` 代表无论输入有多少都可以,因为输入只有一个特征,所以这里是 `1`。

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

接下来,我们就可以开始定义神经层了。 通常神经层都包括 input输入层、hide隐藏层 和 output输出层。这里的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。

3. 搭建网络

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
# 定义 hide隐藏层, 利用之前的 `add_layer()` 函数,这里使用 Tensorflow 自带的激励函数 `tf.nn.relu`。
l1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu)

# 接着,定义输出层。此时的输入就是隐藏层的输出 —— `l1`,输入有 10 层(隐藏层的输出层),输出有 1 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取平均。
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)

# 使用变量时,都要对它进行初始化,这是必不可少的。
init = tf.global_variables_initializer() # 替换成这样就好

# 定义 `Session`,并用 `Session` 来执行 `init` 初始化步骤。
#(注意:在 `tensorflow` 中,只有session.run()才会执行我们定义的运算。)
sess = tf.Session()
sess.run(init)

4. 训练

下面,让机器开始学习。

比如这里,我们让机器学习1000次。机器学习的内容是 train_step, 用 Sessionrun 每一次 training 的数据,逐步提升神经网络的预测准确性。 (注意:当运算要用到 placeholder 时,就需要 feed_dict 这个字典来指定输入。)

1
2
3
4
5
6
7
for i in range(1000):
# 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:
print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))

在电脑上运行本次代码的结果为:

0.0587868
0.00416427
0.00312624
0.00291327
0.00282026
0.0027577
0.00270546
0.00266943
0.00265278
0.00263559

通过上图可以看出,误差在逐渐减小,这说明机器学习是有积极的效果的

Reference

Comments