48°

Tensorflow实现神经网络的前向传播

我们构想有一个神经网络,输入为两个input,中间有一个hidden layer,这个hiddenlayer当中有三个神经元,最后有一个output。

图例如下:

 

 

 

 在实现这个神经网络的前向传播之前,我们先补充一下重要的知识。

一.权重w以及input的初始化

我们初始化权重w的方法为随机生成这些权重,一般可以使用这些随机生成的数据正好在正态分布的曲线上,这也是最符合生成符合自然规律的随机数生成方法:

import tensorflow as tf
#一般情况下神经网络上的参数是w的数列,当然我们一般使用随机数来生成这些参数
w=tf.Variable(tf.random_normal([2,3],stddev=2,mean=0,seed=1))
#其中stddev表示标准差,mean表示均值,【】表示随机生成正态分布的数值的shape

这样我们的权重就生成了,我们初始化input的方法有有以下几种,伪代码如下:

除了这种方式,我们还可以使用
tf.constant([1,2,3]),来生成指定数值
tf.zeros([2,3],int32),用来生成全零
tf.ones([2,3],int32),同来生成全1
tf.fill([3,2],6),生成指定数值

下面我们编写一个仅有一个初始值input的神经网络,并利用tensorflow实现对其进行前向传播。因为初始值仅有一个,实现的方法一共有两种,我们来看看第一种:

二.神经网络的前向传播(仅具一个初始值,方法一)

import tensorflow as tf

x=tf.constant([[0.7,0.5]])#注意这里,写了两个中括号啊! w1=tf.Variable(tf.random_normal([2,3],stddev=1,seed=1)) w2=tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))

#然后定义向前传播的过程 a=tf.matmul(x,w1) y=tf.matmul(a,w2)

#利用session计算前向传播的结果 with tf.Session() as sess: init_op=tf.global_variables_initializer() sess.run(init_op) print(sess.run(y))#这里使用run(y)打印出结果,因为最后一个输出我们定义的是y

输出:

[[3.0904665]]

三.神经网络的前向传播(仅具一个初始值,方法二)

我们利用placeholder进行数据的初始化,赋值给input,使用placeholder既可以赋一个值,也可以赋多个值,这也是它很常见的原因,代码如下:

import tensorflow as tf

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))

#同样地定义前向传播的过程 a=tf.matmul(x,w1) y=tf.matmul(a,w2)

#利用session计算前向传播的结果 with tf.Session() as sess: init_op=tf.global_variables_initializer() sess.run(init_op) print(sess.run(y,feed_dict={x:[[0.7,0.5]]}))#这里使用run(y)打印出结果,因为最后一个输出我们定义的是y

输出:

[[3.0904665]]

结果和方法一相同。接下来就可以对多个数据进行前向传播了,也是利用placeholder方法

四.神经网络的前向传播(多个初始值)

代码如下:

import tensorflow as tf

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)

#同样地定义前向传播的过程 a=tf.matmul(x,w1) y=tf.matmul(a,w2

#利用session计算前向传播的结果 with tf.Session() as sess: init_op=tf.global_variables_initializer() sess.run(init_op) print(sess.run(y,feed_dict={x:[[0.7,0.5],[0.2,0.3],[0.5,0.5]]}))

输出:

[[3.0904665]
 [1.2236414]
 [2.5171587]]

完毕!看起来还是挺简单的吧!tensorflow在工业界的应用还是十分广泛的,想要创业和在业界工作的朋友就可以好好了解一下了!

本文转载自博客园,原文链接:https://www.cnblogs.com/geeksongs/p/13179113.html

全部评论: 0

    我有话说: