神经网络-前向传播
前向傳播神經(jīng)網(wǎng)絡(luò)搭建
1.tensorflow庫搭建神經(jīng)網(wǎng)絡(luò)
- 參數(shù)：線上的權(quán)重W，用變量表示，隨機給初值。
? ? ? ? ?
- 相關(guān)介紹
- tf.truncated_normal():去掉過大偏離點的正太分布
- tf.random_normal()正太分布
- tf.random_uniform():平均分布
- tf.zeros:全零數(shù)組，tf.zeros([3,2],int32)
- tf.ones:全一數(shù)組,tf.ones([3,2],int32)
- tf.fill:全定值數(shù)組,tf.ones([3,2],6)
- tf.constant:直接給值,tf.constant([3,2,1])
- ? ?Variable(tf.random_normal([2,3],stddev=2,mean=0,seed=1))，參數(shù)介紹：?random_normal：生成正態(tài)分布隨機數(shù)，2*3矩陣，標(biāo)準(zhǔn)差為2，均值為0，隨機種子1；隨機種子如果去掉，每次生成的隨機數(shù)將不一致
- 變量初始化，計算圖結(jié)點運算需要用會話(with結(jié)構(gòu))實現(xiàn)；
2.神經(jīng)網(wǎng)絡(luò)的實現(xiàn)過程：
?
- 準(zhǔn)備數(shù)據(jù)集，提取特征，最為輸入喂給神經(jīng)網(wǎng)絡(luò)(Neural Network,NN)
- 搭建NN結(jié)構(gòu)，從輸入到輸出(先搭建計算圖，在用會話執(zhí)行),NN 前向傳播算法----->計算輸出。
- 大量特征數(shù)據(jù)喂給NN，迭代優(yōu)化NN參數(shù)，NN反向傳播算法----->優(yōu)化參數(shù)訓(xùn)練模型
- 使用訓(xùn)練好的模型預(yù)測和分類。
3.前向傳播----->搭建模型，實現(xiàn)推理（以全連接網(wǎng)絡(luò)為例）
- eg.生產(chǎn)一批零件將體積x1，重量x2為特征輸入NN，通過NN后輸出一個值.
- 運算結(jié)果：
- 中間結(jié)點值a:XW1
- 第二層權(quán)重W2：
- 第一層權(quán)重W1：
- 輸入體積X：
- 實現(xiàn) #實例：兩層簡單全連接神經(jīng)網(wǎng)絡(luò)
import tensorflow as tf#定義輸入和參數(shù)：
x=tf.constant([[0.7,0.8]])#一行兩列的張量存儲體積和重量
w1=tf.Variable(tf.random.normal([2,3],stddev=1,seed=1))
w2=tf.Variable(tf.random.normal([3,1],stddev=1,seed=1))
print(w1)
print(w2)
#定義前向傳播
a=tf.matmul(x,w1)
y=tf.matmul(a,w2)#用會話計算結(jié)果
with tf.compat.v1.Session() as sess:#tf.Session（）#因版本不同，tf.Session使用tf.compat.v1.Session()代替init_op=tf.compat.v1.global_variables_initializer()#tf.global_variables_initializer()用tf.compat.v1.global_variables_initializer()sess.run(init_op)print("result is \n",sess.run(y))#實例：兩層簡單全連接神經(jīng)網(wǎng)絡(luò)
import tensorflow as tf#定義輸入和參數(shù)：
#x=tf.placeholder(tf.float32,shape=(1,2))
x=tf.compat.v1.placeholder(tf.float32,shape=(1,2))#通過placeholder實行定義輸入(sess.run喂入一組數(shù)據(jù))
w1=tf.Variable(tf.random.normal([2,3],stddev=1,seed=1))
w2=tf.Variable(tf.random.normal([3,1],stddev=1,seed=1))
print(w1)
print(w2)
#定義前向傳播
a=tf.matmul(x,w1)
y=tf.matmul(a,w2)#用會話計算結(jié)果
with tf.compat.v1.Session() as sess:#tf.Session（）#init_op=tf.global_variables_initializer()init_op=tf.compat.v1.global_variables_initializer()#tf.global_Variables_initializer()sess.run(init_op)print("result is \n",sess.run(y,feed_dict={x:[[0.7,0.5]]}))#x的一組特征喂入神經(jīng)網(wǎng)絡(luò)。#實例：兩層簡單全連接神經(jīng)網(wǎng)絡(luò)
import tensorflow as tf#定義輸入和參數(shù)：
#x=tf.placeholder(tf.float32,shape=(1,2))
x=tf.compat.v1.placeholder(tf.float32,shape=(None,2))#通過placeholder實行定義輸入(sess.run喂入多組數(shù)據(jù)),不知道維度可以None
w1=tf.Variable(tf.random.normal([2,3],stddev=1,seed=1))
w2=tf.Variable(tf.random.normal([3,1],stddev=1,seed=1))
print(w1)
print(w2)
#定義前向傳播
a=tf.matmul(x,w1)
y=tf.matmul(a,w2)#用會話計算結(jié)果
with tf.compat.v1.Session() as sess:#tf.Session（）#init_op=tf.global_variables_initializer()init_op=tf.compat.v1.global_variables_initializer()#tf.global_Variables_initializer()sess.run(init_op)print("result is \n",sess.run(y,feed_dict={x:[[0.7,0.5],[0.2,0.3],[0.3,0.4],[0.4,0.5]]}))#x的一組特征喂入神經(jīng)網(wǎng)絡(luò)。print("w1\n",sess.run(w1))print("w2\n",sess.run(w2))
?運算結(jié)果：
-
?
總結(jié)
- 上一篇： 定长掩码地址划分与VLSM子网划分
- 下一篇： 线程同步-事件内核对象