Question

作者: 赵孔亚 编辑: Morvan

• 学习资料:
  • 相关代码

这次提到了怎样建造一个完整的神经网络，包括添加神经层，计算误差，训练步骤，判断是否在学习。

本次课程，我们会在上节课的基础上，继续讲解如何构建神经层。

首先，我们导入本次所需的模块。

import tensorflow as tf
import numpy as np

构造添加一个神经层的函数。（在上次课程中有详细介绍）

def add_layer(inputs, in_size, out_size, activation_function=None):
    Weights = tf.Variable(tf.random_normal([in_size, out_size]))
    biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)
    Wx_plus_b = tf.matmul(inputs, Weights) + biases
    if activation_function is None:
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b)
    return outputs

构建所需的数据。 这里的 x_data 和 y_data 并不是严格的一元二次函数的关系，因为我们多加了一个 noise ,这样看起来会更像真实情况。

x_data = np.linspace(-1,1,300, dtype=np.float32)[:, np.newaxis]
noise = np.random.normal(0, 0.05, x_data.shape).astype(np.float32)
y_data = np.square(x_data) - 0.5 + noise

利用占位符定义我们所需的神经网络的输入。 tf.placeholder() 就是代表占位符，这里的 None 代表无论输入有多少都可以，因为输入只有一个特征，所以这里是 1 。

xs = tf.placeholder(tf.float32, [None, 1])
ys = tf.placeholder(tf.float32, [None, 1])

接下来，我们就可以开始定义神经层了。 通常神经层都包括输入层、隐藏层和输出层。这里的输入层只有一个属性， 所以我们就只有一个输入；隐藏层我们可以自己假设，这里我们假设隐藏层有 10 个神经元； 输出层和输入层的结构是一样的，所以我们的输出层也是只有一层。 所以，我们构建的是——输入层 1 个、隐藏层 10 个、输出层 1 个的神经网络。

下面，我们开始定义隐藏层，利用之前的 add_layer() 函数，这里使用 Tensorflow 自带的激励函数 tf.nn.relu 。

l1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu)

接着，定义输出层。此时的输入就是隐藏层的输出—— l1 ，输入有 10 层（隐藏层的输出层），输出有 1 层。

prediction = add_layer(l1, 10, 1, activation_function=None)

计算预测值 prediction 和真实值的误差，对二者差的平方求和再取平均。

loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),
                     reduction_indices=[1]))

接下来，是很关键的一步，如何让机器学习提升它的准确率。 tf.train.GradientDescentOptimizer() 中的值通常都小于 1，这里取的是 0.1 ，代表以 0.1 的效率来最小化误差 loss 。

train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

使用变量时，都要对它进行初始化，这是必不可少的。

# init = tf.initialize_all_variables() # tf 马上就要废弃这种写法
init = tf.global_variables_initializer()  # 替换成这样就好

定义 Session ，并用 Session 来执行 init 初始化步骤。 （注意：在 tensorflow 中，只有 session.run() 才会执行我们定义的运算。）

sess = tf.Session()
sess.run(init)

下面，让机器开始学习。

比如这里，我们让机器学习 1000 次。机器学习的内容是 train_step , 用 Session 来 run 每一次 training 的数据，逐步提升神经网络的预测准确性。 (注意：当运算要用到 placeholder 时，就需要 feed_dict 这个字典来指定输入。)

for i in range(1000):
    # training
    sess.run(train_step, feed_dict={xs: x_data, ys: y_data})

每 50 步我们输出一下机器学习的误差。

    if i % 50 == 0:
        # to see the step improvement
        print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))

在电脑上运行本次代码的结果为：

通过上图可以看出，误差在逐渐减小，这说明机器学习是有积极的效果的。

如果你觉得这篇文章或视频对你的学习很有帮助，请你也分享它，让它能再次帮助到更多的需要学习的人。