TensorFlow神经网络（一）前向传播

####### 随机变量初始化

#正态分布，去掉种子点后，每次产生的随机数不一样
w = tf.Variable(tf.random_normal([2.3], stddev = 2, mean = 0, seed = 1))#去掉过大偏离点的正态分布
w = tf.Variable(tf.truncated_normal([2.3], stddev = 2, mean = 0, seed = 1))#平均分布
w = tf.Variable(tf.random_uniform([2.3], stddev = 2, mean = 0, seed = 1))#全0,3行2列
tf.zeros([3,2], int 32)#全1,3行2列
tf.ones([3,2], int 32)#全6,3行2列
tf.fill([3,2], 6)#常数张量，直接给值
tf.constant([3,2,1])

######神经网络前向传播流程

# 变量初始化、计算图节点运算，用会话with结构实现
with tf.Session() as sess:sess.run()# 所有变量初始化：在sess.run函数中使用，这里写为初始化节点tf.global_variables_initializer()
init_op = tf.global_variables_initializer()
sess.run(init_op)#计算图节点的实际运算(可以有结果的那种):在sess.run函数中写入待运算的节点
sess.run(y)#喂一组/多组数据给sess.run函数
#tf.placeholder占位
#feed_dict喂数据
#1.喂一组
x = tf.placeholder(tf.float32, shape = (1,2))
sess.run(y,feed_dict = {x:[[0.5, 0.6]]})#2.喂多组
x = tf.placeholder(tf.float32, shape = (None, 2)) #未知数据数目
sess.run(y, feed_dict = {x:[[0.1, 0.2], [0.2, 0.3], [0.3, 0.4]]})

##########完整代码之输入一组数据x

# coding:uft-8
# 两层全连接神经网络
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
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 test.py is:\n",sess.run(y))

###########完整代码二之输入未知的一组数据x

# coding:utf-8 import tensorflow as tf# 用placeholder实现输入定义
x = tf.placeholder(tf.float32, shape = (1, 2)) #多组时改shape中1为None
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)#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 test.py is:\n",sess.run(y, feed_dict = {x: [[0.7, 0.5]]}))

##############完整代码之输入未知的若干组数据x

# coding:utf-8 import tensorflow as tf# 用placeholder实现输入定义
x = tf.placeholder(tf.float32, shape = (None, 2)) #多组时改shape中1为None
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)#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 test.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:\n", sess.run(w1))print("w2:\n", sess.run(w2))

TensorFlow神经网络（一）前向传播相关推荐

深度学习之前馈神经网络（前向传播和误差反向传播）
转自:https://www.cnblogs.com/Luv-GEM/p/10694471.html 这篇文章主要整理三部分内容,一是常见的三种神经网络结构:前馈神经网络.反馈神经网络和图网络:二是整 ...
神经网络的前向传播与反向传播
神经网络的前向传播和反向传播相信一开始,大家可能都对神经网络的前向传播和反向传播很头疼,我之前也是一样,后来慢慢懂了,现在深感知识传递的重要性.因此现在我就把我的一点点对两者的理解表达一下,希望能帮 ...
对于CNN卷积神经网络的前向传播和反向传播的理解
对于CNN卷积神经网络的前向传播和反向传播的理解前向传播示意图: 咋一看这张图,作为初学者可能会不知所云(￣ω￣=)?但是想要很好的理解前向传播的原理,我们得从这张图细说. 文章目录对于CNN ...
（二十四）手推BP神经网络的前向传播和反向传播
手推BP神经网络的前向传播和反向传播一.基本术语 1.监督学习与非监督学习 Supervised Learning有监督式学习: 输入的数据被称为训练数据,一个模型需要通过一个训练过程,在这个过程中 ...
卷积神经网络(CNN)前向传播算法
在卷积神经网络(CNN)模型结构中,我们对CNN的模型结构做了总结,这里我们就在CNN的模型基础上,看看CNN的前向传播算法是什么样子的.重点会和传统的DNN比较讨论. 1. 回顾CNN的结构在上一 ...
吴恩达机器学习（六）神经网络（前向传播）
目录 0. 前言 1. 神经网络模型 2. 前向传播(forward propagation) 3. 神经网络中的多分类学习完吴恩达老师机器学习课程的神经网络,简单的做个笔记.文中部分描述属于个人消 ...
【神经网络】FNN——前馈神经网络、前向传播、反向传播详解
FNN网络结构: (1)FNN可以理解为多层感知机,即:包含多个隐藏层的神经网络 (2)层与层之间是全连接的,即:相邻两层的任意两个节点都有连接 FNN前向传播: (1)每个神经元以上一层各个节点输出 ...
神经网络的前向传播和反向传播
本博客是对Michael Nielsen所著的<Neural Network and Deep Learning>第2章内容的解读,有兴趣的朋友可以直接阅读原文http://neuraln ...
神经网络的前向传播推导(图、公式)
看一个例题
神经网络前向传播算法
神经网络可以通过输入的特征向量经过层层推导得到最终输出,并通过这些输出结果来解决分类或者回归问题.实际上,神经网络是采用前向传播算法实现层层推导的. 神经网络的前向传播结果需要三部分信息.第一,神经网 ...

TensorFlow神经网络（一）前向传播

TensorFlow神经网络（一）前向传播相关推荐

最新文章

热门文章