运用tensorflow写的第一个神经网络

标签：博客   state   oba   三层   简单的   好的   log   for   inpu   

        因为实训课要用LSTM+attention机制在钢材领域做一个关系抽取。作为仅仅只学过一点深度学习网络的小白在b站上学习了RNN，LSTM的一些理论知识。

但只懂得一些理论知识是无法完成关系抽取的任务的。于是从图书馆借来《tensoflow实战-----深度学习框架》，在此开始记录我的tensorflow神经网络编程！

       首先先介绍一下tensorflow的运作机制，对一个具体的计算而言，一般可以分为两个阶段，第一个阶段用来定义计算图中的计算，第二个阶段用来执行计算。

有了这个概念之后，就会发现这一操作能很好的将框架定义部分，和模型训练部分很好的分开，以下是第一次实验的代码：一个简单的分类问题，一个2，3，1（三层，每一层的节点数）的神经网络。

import tensorflow as tf
from numpy.random import RandomState
batch_size = 8
w1 = tf.Variable(tf.random_normal((2, 3), stddev=1, seed=1))//随机初始化权重，第二个参数为为标准差
w2 = tf.Variable(tf.random_normal((3, 1), stddev=1, seed=1))//随机初始化权重

x = tf.placeholder(tf.float32, shape=(None, 2), name="x_input")//placeholder一般用来在训练时存放输入数据，因为如果定义成常量的话，所消耗的空间太大
y_=tf.placeholder(tf.float32, shape=(None, 1), name="y_input")//参数介绍，需要定义类型和维度，None的意思是，不知道有几组训练数
biases1 = tf.Variable(tf.random_normal((1,3),stddev=1))//定义偏置，其实所谓偏置就是截距的概念
biases2 = tf.Variable(tf.random_normal((1,1),stddev=1))
#a = tf.matmul(x, w1)+biases1
//以下是实现前向传播
a = tf.sigmoid(tf.matmul(x, w1)+biases1)//用sigmoid函数充当激活函数，用来去线性化
y = tf.matmul(a, w2)+biases2
y = tf.sigmoid(y)
#损失函数选用交叉熵函数
cross_entropy = -tf.reduce_mean(y_*tf.log(tf.clip_by_value(y, 1e-10, 1.0))+(1-y)*tf.log(tf.clip_by_value(1-y, 1e-10, 1.0)))
#选择优化方法（即更新权重所用的反向传播的方法，这个adam法还不知道啥意思，目前只知道梯度下降）
train_step = tf.train.AdamOptimizer(0, 0.001).minimize(cross_entropy)

#生成随机数据集
rdm = RandomState(1)#随机因子为1
dataset_size = 128
X = rdm.rand(dataset_size, 2)
Y = [[int(x1+x2<1)] for (x1, x2) in X]
//生成会话开始训练模型，即前面所提到的执行计算的阶段
with tf.Session() as sess:
   //tensorflow中所有张量都要初始化 
　initall = tf.global_variables_initializer()
    sess.run(initall)
    #print(sess.run(biases1))
    print(sess.run(w1))
    print(sess.run(w2))
//训练集中抽取一小个部分叫一个batch，训练过程是一个batch一个batch训练的
    steps = 5000
    for i in range(steps):
        start = (i*batch_size)%dataset_size
        end = min(start+batch_size, dataset_size)
        sess.run(train_step, feed_dict={x:X[start:end],y_:Y[start:end]})
        //每训练1000次查看一下训练结果，即交叉熵函数的值，越小越好
　　　　if(i%1000==0):
            　　total_cross=sess.run(cross_entropy, feed_dict={x:X, y_:Y})
            　　print(i,"  ",total_cross)
   //最后查看一下最后更新的权重
    print(sess.run(w1))
    print(sess.run(w2))

第一次写博客，也是初学，有问题请大家指出哈。

运用tensorflow写的第一个神经网络

标签：博客   state   oba   三层   简单的   好的   log   for   inpu   

原文地址：https://www.cnblogs.com/guairenkuangren/p/12035281.html