[AI] нейронная сеть инфраструктуры

А, тензор сеанса фиг.

1, тензор классификации

0-го порядка: скаляр
1 Заказ: Вектор
п порядок: тензор

2, расчет фиг: процесс вычисления нейронных сетевые структуры, сетевые структуры только, не операции.
Здесь Insert Picture Описание

3, сеанс: вычисляет процесс

import tensorflow as tf
x = tf.constant([[1.0,2.0]])
w = tf.constant([[3.0],[4.0]])
y = tf.matmul(x,w)
print y
with tf.Session() as sess
    print sess.run(y)

Здесь Insert Picture Описание
Достижения два, простые двухслойный полностью подключена нейронная сеть - подавая один набор данных

#coding: utf-8 
#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))

#定义前向传播过程（由一层计算层构成）计算图
a = tf.matmul(x,w1)
y = tf.matmul(a,w2)

#利用会话进行计算
with tf.Session() as sess:
    init_op = tf.global_variables_initializer()
    sess.run(init_op)
    print"y in tf3_3.py is :\n",sess.run(y)

В-третья, простая двухслойная полностью подключена нейронная сеть - подача множества наборов данных

#coding:utf-8
#两层的简单神经网络（全连接）

import tensorflow as tf

#定义输入和参数
#用placeholder定义输入(sess.run喂多组数据)
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))

#定义向前传播过程

a = tf.matmul(x,w1)
y = tf.matmul(a,w2)

#利用会话来计算结果

with tf.Session() as sess:
    init_op = tf.global_variables_initializer()
    sess.run(init_op)
    print"y in tf3_5.py 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)

В-четвертых, резюме синтаксиса

1, tf.random_normal ([2,3], StdDev = 2, среднее значение = 0, семенные = 1)
параметры представляют собой: генерирование 2 × 3 матрицы, стандартное отклонение 2, среднее 0 и случайные начальное число (удалить случайное семя получите другое случайное число)
2, tf.truncated_normal () удалить чрезмерное отклонение от нормальной точки распределения
3, tf.random_uniform () равномерно распределены по
4, tf.zeros ([3,2], Int32) для генерации [[0 , 0], [0,0], [0,0]] 0 полный набор
5, tf.ones ([3,2], Int32) для генерации [[1,1], [1,1], [1 , 1]] полный массив
6, tf.fill ([3,2], 6) для создания [[6,6], [6,6], [6,6]] всего массива значений заданной
7, тс .constant ([3,2,1]) генерируется непосредственно установка массива

Здесь Insert Picture Описание

Пять вперед назад алгоритм распространения градиента оптимизации спуском +

#coding:utf-8
import tensorflow as tf
import numpy as np

# BATCH_SIZE表示一次喂入神经网络多少组数据
BATCH_SIZE = 8

# 保证随机生成的结果相同
seed = 23455

# 基于seed产生随机数
rng = np.random.RandomState(seed)

# 随机数返回32行2列的矩阵，表示32组体积和重量，作为输入数据集
X = rng.rand(32,2)

# 从X这个32行2列的矩阵中，抽出一行，如果和小于1,则Y赋值1,否则赋值0
Y = [[int(x0+x1<1)] for (x0,x1) in X]

print"打印数据集X和Y"
print"X:\n",X
print"Y:\n",Y
print"\n"


# 定义输入、输出、参数、计算图

x  = tf.placeholder(tf.float32,shape=(None,2))
y_ = tf.placeholder(tf.float32,shape=(None,1))

w1 = tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))
w2 = tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))

a = tf.matmul(x,w1)
y = tf.matmul(a,w2)


# 定义损失函数
# 损失函数：均方误差，优化方法：梯度下降学习过程
loss = tf.reduce_mean(tf.square(y-y_))

train_step = tf.train.GradientDescentOptimizer(0.001).minimize(loss)
#Optimizer = tf.trian.GradientDescentOptimizer(0.001)
#train_step = Optimizer.minimize(loss)

# 选用优化方法1：
#train_step = tf.train.MomentumOptimizer(0.001,0.9).minimize(loss)

# 备选优化方法2：
#train_step = tf.train.AdamOptimizer(0.001).minimize(loss)

# 生成会话 训练STEPS轮

with tf.Session() as sess:
    init_op = tf.global_variables_initializer()
    sess.run(init_op)
    
    # 输出目前的（未经过训练的）参数：
    print"w1:\n",sess.run(w1)
    print"w2:\n",sess.run(w2)
    print"原始参数输出完毕\n"
    
    # 训练模型过程如下：
    STEPS = 3000
    for i in range(STEPS):
        start = (i*BATCH_SIZE) % 32
        end = start + BATCH_SIZE
        sess.run(train_step,feed_dict={x:X[start:end],y_:Y[start:end]})
        if i % 500 == 0:
            total_loss = sess.run(loss,feed_dict={x:X,y_:Y})
            print"After %d training step(s),loss on all data is %g"%(i,total_loss)
    #输出训练后的参数
    print"\n" 
    print"w1:\n",sess.run(w1)
    print"w2:\n",sess.run(w2)

Здесь Insert Picture Описание

В-шестых, создание стереотипного нейронной сети

0, подготовка
1, импорт (tensorflow, NumPy и т.д.)
2, постоянное определение
3, генератор случайных чисел
1, вперед распространение
1, входной сигнал: Х, Y_
2, параметры: W1, W2 из
3, выход: A, Y
. 4, фиг рассчитанные структуры
2, реакция распространения
1, функция потерь потери
2, оптимизация train_step
. 3, генерируют сеанс, обучение итерационных ШАГОВ колесо
1, с tf.Session () AS Sess:
2, определенные шагов
. 3, повторяющееся обучения, цикл итерация
4 , с печатью подскажет потерю функции после определенного количества раундов, чтобы облегчить потеря наблюдения снизилась
×, или продолжать практику, написанные в шесть раз все еще неправильно, овощей и x_x

[AI] нейронная сеть инфраструктуры

рекомендация