标签：rand import cti 随机数 扩展 中间 data 分类 定义
理解：tensorflow神经网络框架，主要运算部分在ts在外进行。可以简单的理解为：写出公式----执行会话----送出运算
一.简单矩阵乘法运算
1.张量：多维数组
0阶张量：123
1阶张量：[1,2,3] 数组列表
2阶张量：[[1,2,3],[4,5,6],[7,8,9]] 矩阵3X3
[[1,2,3]] 矩阵1X3
[[1],[2],[3]] 矩阵3X1
n阶张量：[[[[[[[[````````]]]]]]]]右边括号数
2.实现矩阵的乘法：写出公式，执行会话
import tensorflow as tf
x = tf.constant([[1,2,3]]) ###定义x矩阵 1x3
w = tf.constant([[4],[5],[6]]) ###定义w矩阵 3x1
y = tf.matmul(x,w) ###定义矩阵乘法 y = xw
with tf.compat.v1.Session() as sess: ###用with调用会话开始计算
print(sess.run(y)) ###运行结果[[32]] 只有一个值二阶张量（矩阵）
二.简单的神经网络
非线性回归：
1.数据准备
通过 y=x^2+随机数生成模拟的输入数据
x_data = np.linspace(-0.5, 0.5, 200)[:, np.newaxis] noise = np.random.normal(0, 0.02, x_data.shape) y_data = np.square(x_data) + noise
说明：np.linspace(-0.5,0.5,200)在-0.5到0.5间生成200个等差数列 得到一维数组
np.linspace(-0.5, 0.5, 200)[:, np.newaxis] 将一维数组转化成矩阵
比如：数组 a1= [1 2 3 4 5 ] shape:(5,)
矩阵 a2 = a1[:, np.newaxis] shape:(5,1) 5行1列矩阵
矩阵 a3 = a1[np.newaxis, :] shape:(1,5) [[1 2 3 4 5]] 1行5列矩阵
2.写出公式，搭建NN y = xw+b
输入层：单个神经元的形状shape： 1x1向量（矩阵、这里是单个数字）
中间层：这里设置10个神经元：L1= xw1+b1 所以权重形状 1x10 偏置形状1x10
输出层：输出单个神经元形状shape：1x1向量 L2= L1w2+b2 1x10 10x1 = 1 x 1
定义占位符，用于批量接受输入
# 定义两个placeholder x = tf.compat.v1.placeholder(tf.float32, [None, 1]) y = tf.compat.v1.placeholder(tf.float32, [None, 1])
定义隐藏层：L1= softmax(xw1+b1)
# 定义神经网络中间层 单个一维输入（一个神经元） 扩展到10维（10个神经元）
W1 = tf.Variable(tf.random.normal([1, 10])) b1 = tf.Variable(tf.zeros([1, 10])) SL1 = tf.matmul(x, W1) + b1 L1 = tf.nn.tanh(SL1)
定义输出层：L2 = softmax（L1w2+b2）
# 定义神经网络输出层 10维（10个神经元） 降低至 1维（一个神经元）预测 W2 = tf.Variable(tf.random.normal([10, 1])) b2 = tf.Variable(tf.zeros([1, 1])) SL2 = tf.matmul(L1, W2) + b2 prediction = tf.nn.tanh(SL2)
标签：rand import cti 随机数 扩展 中间 data 分类 定义
原文地址：https://www.cnblogs.com/liuhuacai/p/11215000.html
