TensorFlow笔记-04-神经网络的实现过程,前向传播

TensorFlow笔记-04-神经网络的实现过程,前向传播

• 基于TensorFlow的NN：用张量表示数据，用计算图搭建神经网络，用会话执行计算图，优化线上的权重（参数），得到模型

• 张量（tensor）：多维数组（列表）

• 阶：张量的维数

• 计算图（Graph）：搭建神经网络的计算过程，只搭建，不运算

• 会话（Session）：执行计算图中的结点运算

• 神经网络的参数：即计算图中的权重，也可以说是神经元（后面会提到）线上的权重，用变量表示，一般会随机生成这些参数。生成参数的方法是让 w（神经元上的线） 等于 tf.Variable，把生成的方式写在括号里

• 神经网络中常用的生成随机数/数组的函数有：
  
  

• 看不懂也没有关系

• 其中Variable有4种：zeros，ones，fill，constant

tf.zeros····全0数组··············tf.zeros([3,2],int32) 生成[[0,0],[0,0],[0,0]]

tf.ones·····全1数组··············tf.ones([3,2],int32) 生成[[1,1],[1,1],[1,1]]

tf.fill·······全定值数组··············tf.fill([3,2],6) 生成[[6,6],[6,6],[6,6]]

tf.constant··直接给值··············tf.zeros([3,2,1]) 生成[3,2,1]

神经网络的搭建

神经网络的实现过程：

• 1.准备数据，提取特征，作为输入喂给神经网络 （Neural Network，NN，神经网络简称NN）
• 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
• 由此可见，基于神经网络的机器学习主要分两个过程，即训练过程和使用过程，训练过程是第一步，第二步，第三步的循环迭代，使用的第四步，一旦参数优化完成就可以固定这些参数，实现特定应用了

前向传播：

• 前向传播就是搭建模型计算过程，让模型具有推理能力（以全连接网络为例），可以针对一组输入给出相应的输出
• 举个例子：
  
  生产一批零件将体积想 x1 和重量 x2 为特征的输入 NN，通过 NN 后输出一个数值
• 分析：
• 体积和重量就是我们要选择的特征，把他们喂入神经网络，当体积和重量这组数据走过神经网络后，会得到一个输出，
• 假设输入的特征是：体积：0.7，重量0.5
• 我们搭建的神经网络：
  
  
• 由神经网络可得，隐藏节点 a11 = x1w11 + x2w21 = 0.14 + 0.15 = 0.29
• 同理算得节点 a12 = 32，a13 = 0.38，最终计算得到输出层 Y= 0.015
• 这便实现了前向传播

前向传播过程的 Tensorflow 描述：

• 变量初始化，计算图节点都要用到会话

  with tf.Session() as sess:（前面提到的 with 结构）

• 变量初始化：

  • 在 sess.run 函数中用 tf.global_variables_initializer() 汇总所有待优化变量：

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

• 代码前向传播文件：https://xpwi.github.io/py/TensorFlow/tf05forward.py

# coding:utf-8
# 前向传播
# 两层简单神经网络（全连接）
import tensorflow as tf
# 定义输入和参数
x = tf.constant([[0.7, 0.5]])
w1 = tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1))
w2 = tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1))
# 定义前向传播的过程
a = tf.matmul(x, w1)
y = tf.matmul(a, w2)
# 用会话计算结果
with tf.Session() as sess:
    init_op = tf.global_variables_initializer()
    sess.run(init_op)
    print("y in tf05前向传播 is:\n", sess.run(y))
# 结果：
# [[3.0904665]]

运行结果：

• 向神经网络喂入1组特征
• 用placeholder实现输入自定义（sess.run中喂1组数据）
• 代码前向传播2文件：https://xpwi.github.io/py/TensorFlow/tf05forward2.py

# coding:utf-8
# 前向传播
# 两层简单神经网络（全连接）
import tensorflow as tf
# 定义输入和参数
# 用placeholder实现输入自定义（sess.run中喂1组数据）
x = tf.placeholder(tf.float32, shape=(1, 2))
w1 = tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1))
w2 = tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1))
# 定义前向传播的过程
# 矩阵相乘，不运算
a = tf.matmul(x, w1)
y = tf.matmul(a, w2)
# 用会话计算结果
with tf.Session() as sess:
    init_op = tf.global_variables_initializer()
    sess.run(init_op)
    # 字典，喂入一组特征
    print("y in tf05forward2 is:\n", sess.run(y, feed_dict={x:[[0.7,0.5]]}))
# 结果：
# [[3.0904665]]

一次向神经网络喂入n组特征

• 代码前向传播3文件：https://xpwi.github.io/py/TensorFlow/tf05forward3.py

# coding:utf-8
# 前向传播
# 两层简单神经网络（全连接）
# 向神经网络喂入n组特征
import tensorflow as tf
# 定义输入和参数
# 用placeholder实现输入自定义（sess.run中喂多组数据）None表示未知
x = tf.placeholder(tf.float32, shape=(None, 2))
w1 = tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1))
w2 = tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1))
# 定义前向传播的过程
# 矩阵相乘，不运算
a = tf.matmul(x, w1)
y = tf.matmul(a, w2)
# 用会话计算结果
with tf.Session() as sess:
    init_op = tf.global_variables_initializer()
    sess.run(init_op)
    # 字典，喂入多组特征
    print("y in tf05forward2 is:\n", sess.run(y, feed_dict={x:[[0.7,0.5],[0.2,0.3],[0.3,0.4],[0.4,0.5]]}))
    print("w1:", sess.run(w1))
    print("w2:", sess.run(w2))

运行结果

前向传播就到这里了

更多文章：Tensorflow 笔记

---

- 本笔记不允许任何个人和组织转载