神经网络一（用tensorflow搭建简单的神经网络并可视化）

微信公众号关注我，更多计算机知识告诉你！

 1 import tensorflow as tf
 import numpy as np
 import matplotlib.pyplot as plt

 #创建一个input数据，-1到1之间300个数，[:,np.newaxis]把x_data变成300维的
 x_data=np.linspace(-1,1,300)[:,np.newaxis]
 #添加噪点，把他变得更像真实数据
 noise=np.random.normal(0,0.05,x_data.shape)
 #创建一个input的数据
 y_data=np.square(x_data)-0.5+noise 

 #这里定义了一个添加神经层的方法
 def add_layer(inputs,in_size,out_size,n_layer,activation_function=None):
     #定义layer_name是为了在可视化中可以看到这个模块的名字，这里传入的
     #n_layer代表我们现在正创建第几个神经层
     layer_name='layer%s' % n_layer
     #在这里是我们layer_name模块，可视化的时候我们可以看到结果
     with tf.name_scope(layer_name):
         with tf.name_scope('weights'):
             #这里定义的weights模块中，tf.random_normal方法从正态分布中输出随机值
             #输出形状为[in_size，out_size]的矩阵，令其为初始值，名字为W
             Weights=tf.Variable(tf.random_normal([in_size,out_size]),name='W')
             #在这里将这个模块命名为layer_name+weights
             #并用tf.summary.histogram输入到日志文件中
             tf.summary.histogram(layer_name+'/weights',Weights)

         with tf.name_scope('biases'):
             #在这里另一个形状为[1,out_size]的矩阵为初始值
             #矩阵的每一个元素均为初始值
             biases=tf.Variable(tf.zeros([1,out_size])+0.1,name='b')
             tf.summary.histogram(layer_name+'/biases',biases)

         with tf.name_scope('Wx_plus_b'):
             #这里定义的模块为Wx_plus_b
             #之后加上biases时是矩阵的每一行都去加biases这个数组
             Wx_plus_b=tf.matmul(inputs,Weights)+biases
         #在这里如果没有激活函数则直接输出
         #若有激活函数则用激活函数，然后给模块命名
         if activation_function is None:
             outputs=Wx_plus_b
         else:
             outputs=activation_function(Wx_plus_b)
             tf.summary.histogram(layer_name+'/outputs',outputs)
         #sess=tf.Session()
         return outputs

 with tf.name_scope('inputs'):
     #这里用tf.placeholder定义一个参数，方便后续为其传值
     xs=tf.placeholder(tf.float32,[None,1],name='x_input')
     ys=tf.placeholder(tf.float32,[None,1],name='y_input')

 #这里第一层输入参数inputs=xs，Weights是一个1*10的矩阵
 #激活函数为relu
 l1=add_layer(xs,1,10,n_layer=1,activation_function=tf.nn.relu)
 #这里第二层输入参数inputs=l1，Weights是一个1*10的矩阵
 #激活函数为空
 prediction=add_layer(l1,10,1,n_layer=2,activation_function=None)

 #这里定义了一个损失函数，
 with tf.name_scope('loss'):
     loss=tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1]))
     tf.summary.scalar('loss',loss)
 #神经网络优化器，这里使用了梯度下降法
 #使用优化器去减少每一步的误差
 with tf.name_scope('train'):
     train_step=tf.train.GradientDescentOptimizer(0.1).minimize(loss)

 sess=tf.Session()
 merged= tf.summary.merge_all()
 #这里将神经网络结构输入到一个文件中
 writer=tf.summary.FileWriter("logs/",sess.graph)

 sess=tf.Session()
 merged= tf.summary.merge_all()
 #这里将神经网络结构输入到一个文件中
 writer=tf.summary.FileWriter("logs/",sess.graph)

 sess.run(tf.global_variables_initializer())
 for i in range(1000):
     #开始训练，设置迭代次数为1000次
     #这里输入的x_data参数为一个300*1的矩阵
     #先在l1网络层运算,将300*10的矩阵Wx_plus_b输入到激活函数Relu中，然后输出
     #输出结果也为300*10的矩阵
     #然后在输出层prediction
     #输入为300*10的矩阵，Weights为10*1的矩阵
     #相乘后为300*1的矩阵然后加上1*1的biases
     #输出为300*91的矩阵
     #然后与之前的y_data去做loss误差分析
     #计算误差
     sess.run(train_step,feed_dict={xs:x_data,ys:y_data})
     if i % 50==0:
         #每迭代50次输出带日志文件，将所有日志文件都merged合并起来
         result=sess.run(merged,feed_dict={xs:x_data,ys:y_data})
         writer.add_summary(result,i)
     

　　博文中的图都是tensorflow自带的可视化部件tensorboard展示出来的。我们用

writer=tf.summary.FileWriter("logs/",sess.graph)

　　这个语句将结构输出到文件中，打开命令行，敲上语句

　　tensorboard --logdir=C:\Users\yuanninesuns\Desktop\python\logs

　　将控制台输出的这个网址敲到浏览器上就能看到可视化内容。