TensorFlow - 第一个神经网络（First Neural Network）

Hello world

 

# coding=utf-8
import tensorflow as tf
import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

try:
    tf.contrib.eager.enable_eager_execution()
    print("TF imported with eager execution!")
except ValueError:
    print("TF already imported with eager execution!")

tensor = tf.constant('Hello, world!')
tensor_value = tensor.numpy()
print(tensor_value)

# ### Eager Execution
# https://www.tensorflow.org/guide/eager?hl=zh-cn
# https://www.tensorflow.org/api_docs/python/tf/enable_eager_execution
# TensorFlow的“Eager Execution”是一个命令式、由运行定义的接口，一旦从 Python 被调用可立即执行操作；
#   - 操作会返回具体的值，而不是构建以后再运行的计算图；
#   - 能够轻松地开始使用TensorFlow和调试模型，并且还减少了样板代码；
#   - 使得 TensorFlow 的入门变得更简单，也使得研发工作变得更直观;

 

运行结果：

TF imported with eager execution!
b'Hello, world!'

 

建造第一个神经网络

# coding=utf-8
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'


# ### 添加神经层


def add_layer(inputs, in_size, out_size, activation_function=None):  # 构造添加神经层的函数，这里设定默认激励函数为None
    Weights = tf.Variable(tf.random_normal([in_size, out_size]))  # 定义weights：为一个in_size行, out_size列的随机变量矩阵
    biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)  # 定义biases：在机器学习中biases的推荐值不为0
    Wx_plus_b = tf.matmul(inputs, Weights) + biases  # 定义Wx_plus_b：神经网络未激活的值；tf.matmul()是矩阵的乘法
    if activation_function is None:  # 当激励函数为None时，输出当前的预测值Wx_plus_b
        outputs = Wx_plus_b
    else:  # 不为None时，将Wx_plus_b传到activation_function()函数得到输出
        outputs = activation_function(Wx_plus_b)
    return outputs  # 返回输出


# ### 构建数据
x_data = np.linspace(-1, 1, 300, dtype=np.float32)[:, np.newaxis]  # 构建数据x_data
noise = np.random.normal(0, 0.05, x_data.shape).astype(np.float32)  # 构建噪声数据noise，模拟真实情况
y_data = np.square(x_data) - 0.5 + noise  # 构建数据y_data

# ### 搭建网络
xs = tf.placeholder(tf.float32, [None, 1])  # 利用占位符定义神经网络的输入
ys = tf.placeholder(tf.float32, [None, 1])  # None代表无论输入有多少都可以，1表示输入只有一个特征
h1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu)  # 定义隐藏层，10个神经元，激励函数使用TensorFlow自带的tf.nn.relu
prediction = add_layer(h1, 10, 1, activation_function=None)  # 定义输出层（预测层），输出一个结果
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),
                                    reduction_indices=[1]))  # 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
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)  # 选择Optimizer来最小化误差loss，以0.1的效率
init = tf.global_variables_initializer()  # 使用变量前，必须初始化
sess = tf.Session()  # 定义Session
sess.run(init)  # 执行init初始化步骤

# ### 结果可视化
fig = plt.figure()  # 创建图形实例
ax = fig.add_subplot(1, 1, 1)  # 创建子图，作为1行1列图形矩阵中的第1个subplot
ax.scatter(x_data, y_data)  # 绘制散点图
plt.ion()  # 打开交互模式
plt.show()  # 显示图形

# ### 训练
for i in range(1000):  # 学习次数1000
    sess.run(train_step, feed_dict={xs: x_data, ys: y_data})  # 学习内容是train_step
    if i % 50 == 0:  # 每隔50次训练输出机器学习的误差和刷新一次图形
        print("loss: {}".format(sess.run(loss, feed_dict={xs: x_data, ys: y_data})))
        try:
            ax.lines.remove(lines[0])
        except Exception:
            pass
        prediction_value = sess.run(prediction, feed_dict={xs: x_data})
        lines = ax.plot(x_data, prediction_value, 'r-', lw=5)  # 用红色、宽度为5的线来显示预测数据和输入之间的关系
        plt.pause(0.2)  # 暂停0.2秒

# ### 添加神经层
# 通过在TensorFlow中定义一个添加层的函数，可以添加神经层；
# 神经层里常见的参数通常有weights、biases和激励函数等；
# 添加神经层的函数def add_layer()有四个参数：输入值、输入的大小、输出的大小和激励函数；
#
# ### 构建数据
# 模拟真实数据；
#
# ### 搭建网络
# 神经网络（输入层1个、隐藏层10个、输出层1个）；
#
# ### 训练
# 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；
#
# ### 可视化
# 利用matplotlib模块绘制和显示图形；

 

某一次的运行过程中的图形显示：

 

某一次的命令行输出：

loss: 0.05769985169172287
loss: 0.007242309395223856
loss: 0.004746056627482176
loss: 0.004090217407792807
loss: 0.0037425532937049866
loss: 0.0035221632570028305
loss: 0.003357301466166973
loss: 0.0032187148462980986
loss: 0.0031040285248309374
loss: 0.0030171412508934736
loss: 0.0029463612008839846
loss: 0.002890094416216016
loss: 0.0028497371822595596
loss: 0.002820496214553714
loss: 0.0027967311907559633
loss: 0.002780070761218667
loss: 0.0027664629742503166
loss: 0.00275203469209373
loss: 0.002737578935921192
loss: 0.002723217708989978