TensorFlow基础（三）——反向传播

逃离我推掉我的手 2021-12-19 21:53 377阅读 0赞

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3NzY0MTI5_size_16_color_FFFFFF_t_70][]

代码实现：

#coding:utf-8
    #0、导入模块，生成模拟数据集
    import tensorflow as tf
    import numpy as np #python的科学计算模块
    
    BATCH_SIZE = 8 #数值不能过大
    seed = 23455
    
    #基于seed产生随机数
    rng = np.random.RandomState(seed)
    #随机数返回32行2列的矩阵，表示32组 体积和重量 作为输入数据集
    X = rng.rand(32,2)
    #从X这个32行2列的矩阵中，取出一行，判断如果和小于1给Y赋值1，如果和不小于1，给Y赋0
    #作为输入数据集的标签（正确答案）
    Y = [[int(x0 + x1 < 1)] for (x0, x1) in X] #从X提取x0，x1,把体积重量之和小于1的认为合格，值为1赋给Y，否则给0
    print "X:\n", X
    print "Y:\n", Y
    
    #1、定义神经网络的输入和参数和输出，定义前向传播过程
    x = tf.placeholder(tf.float32, shape=(None,2)) #用placeholder定义输入，只知道有体积和重量两个特征，所以第二维是2，不知道能拿到几组特征所以用None
    y_ = tf.placeholder(tf.float32, shape=(None,1)) #表示标准答案
    
    w1 = tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1)) #2行3列组成的随机矩阵，
    w1的第一维对应输入x（2个）
    w2 = tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1)) #w2的第二维对应输出y（1个）
    
    #定义前向传播过程
    a = tf.matmul(x, w1) #a = x与w1的矩阵乘法
    y = tf.matmul(a, w2)
    
    #2.定义损失函数及反向传播方法
    loss = tf.reduce_mean(tf.square(y-y_))#均方误差生成loss
    train_step = tf.train.AdamOptimizer(0.001).minimize(loss)
    
    #3.生成会话，训练steps轮
    with tf.Session() as sess:
        init_op = tf.global_variables_initializer()
        sess.run(init_op) #初始化所有节点
        #输出目前（未经训练）的参数取值
        print "w1:\n", sess.run(w1)
        print "w2:\n", sess.run(w2)
        print "\n"
    
        #训练模型
        STEPS = 3000
        for i in range(STEPS):
            start = (i*BATCH_SIZE) % 32
            end = start + BATCH_SIZE
            sess.run(train_step, feed_dict = {x: X[start:end], y_: Y[start:end]})
            if i % 500 == 0:
                total_loss = sess.run(loss, feed_dict={x: X, y_: Y})
                print("After %d training step(s), loss on all data is %g" % (i, total_loss))
    
        #输出训练后的参数取值
        print("\n")
        print("w1:\n",sess.run(w1)) #喂入x的一组特征

结果：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3NzY0MTI5_size_16_color_FFFFFF_t_70 1][]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3NzY0MTI5_size_16_color_FFFFFF_t_70]: /images/20211219/8401615b0a9d4380867a1c845e2ae542.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3NzY0MTI5_size_16_color_FFFFFF_t_70 1]: /images/20211219/c6d23268df024043824dd42b4bd4ccfe.png