Tensorflow的学习笔记--前向传播

发表于

输入参数

在上面一篇博客提到的一个简单的模型：

tensorflow

为了能够得到Y，需要准确的知道的值，一般都是先随机给一个值，后面利用样本进行训练，得到准确的值。例如使用随机方法赋初值：

w=tf.Variable(tf.random_normal([2,3],stddev=2,mean=0,seed=1))

其中：random_normal代表随机正态分布，[2,3]产生2x3的矩阵，stddev=2代表标准差是2，mean=0均值为0，seed=1随机种子。(标准差，均值，随机种子可以不写)

除了random_normal方法外还有几个其他的生成函数：

truncated_normal：去掉过大偏离点的正态分布，如果生成的数据超过了平均值两个标准差，数据将重新生成。

random_uniform：平均分布

tf.zeros:生成全0数组，tf.zeros([3,2],int32) 生成[[0,0],[0,0],[0,0]]
tf.ones:生成全1数组，tf.zeros([3,2],int32) 生成[[1,1],[1,1],[1,1]]
tf.fill:全定值数组，tf.zeros([3,2],6) 生成[[6,6],[6,6],[6,6]]
tf.constant:直接给值，tf.constant([3,2,1]) 生成[3,2,1]

神经网络的实现过程

  1. 准备数据集，提取特征，作为输入喂给神经网络
  2. 搭建NN结构，从输入到输出（先搭建计算图，再用会话执行）
    (NN前向传播算法===>>计算输出)

  3. 大量特征数据喂给NN,迭代优化NN参数
    （NN反向传播算法====>>优化参数训练模型）

  4. 使用训练好的模型预测和分类

前向传播

比如生产一批零件，将体积和重量为特征输入到NN，通过NN后输出一个值。 具体的预测结果如下：

tensorflow

具体的Y值的计算是：;

我们把上面的过程用tensorflow表示出来，先定义几个变量：

输入参数X的权重矩阵：

隐藏层的矩阵：

隐藏层到输入结果的矩阵：

由此可以得到：

a=tf.matmaul(X，W)

Y=tf.matmaul(a,'W)

分析过程

  1. 变量初始化，计算图节点，运算都需要sesion

  2. 变量初始化：在session.run函数中，使用tf.global_variables_initializer() 

    1
    2
    init_op=tf.global_variables_initializer()
    sess.run(init_op)

  3. 计算图节点运算:在sess.run函数中写入待运算的节点
    sess.run(y)

  4. 使用tf.placeholder占位，在sess.run函数中用feed_dict喂数据

    喂一组数据： 

    1
    2
    x=tf.placeholder(tf.float32,shape=(1,2))
    sess.run(y,feed_dict={x:[[0.5,0.6]]})

    喂多组数据： 

    1
    2
    x=tf.placeholder(tf.float32,shape=(None,2))
    sess.run(y,feed_dict={x:[[0.5,0.6],[0.5,0.6]]})

使用代码实现上面的分析过程（喂入多组数据）： 

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
#coding:utf-8
# 两层神经网络
import tensorflow as tf

# 定义输入和参数
# 用placeholder实现喂数据
x=tf.placeholder(tf.float32,shape=(None,2))
w1=tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))#正态分布随机数
w2=tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))

#定义前向传播过程
a=tf.matmul(x,w1)
y=tf.matmul(a,w2)

# 计算结果
with tf.Session() as sess: 
    init_op=tf.global_variables_initializer()
    sess.run(init_op)
    print ("y in sj3 is:\n",sess.run(y,
        feed_dict={
            x:[[0.7,0.5],[0.2,0.3],[0.3,0.4],[0.4,0.5]]
            }))

打印结果：
[[3.0904665] [1.2236414] [1.7270732] [2.2305048]]