tensorflow學習筆記(3)前置數學知識

首先是神經元的模型

接下來是激勵函數

神經網絡的復雜度計算

層數：隱藏層+輸出層

總參數=總的w+b

下圖為2層

如下圖

w為3*4+4個 b為4*2+2

接下來是損失函數

主流的有均分誤差，交叉熵，以及自定義

這裏貼上課程裏面的代碼

# -*- coding: utf-8 -*-
"""
Created on Sat May 26 18:42:08 2018

@author: Administrator
"""

import tensorflow as tf
import numpy as np
BATCH_SIZE
 
=8
seed=23455

#基於seed產生隨機數
rdm=np.random.RandomState(seed)
#初始化特征值為32個樣本*2個特征值
#初始化標簽
X=rdm.rand(32,2)
Y_=[[x1+x2+(rdm.rand()/10.0-0.05)] for (x1,x2) in X]


#定義輸入，參數和輸出和傳播過程
x=tf.placeholder(tf.float32,shape=(None,2))
y_=tf.placeholder(tf.float32,shape=(None,1))
w1=tf.Variable(tf.random_normal([2,1],stddev=1,seed=1))
y
 
=tf.matmul(x,w1)


#定義損失函數以及反向傳播方法
loss_mse=tf.reduce_mean(tf.square(y_-y))
train_step=tf.train.GradientDescentOptimizer(0.01).minimize(loss_mse)

#會話訓練
with tf.Session() as sess:
    init_op=tf.global_variables_initializer()
    sess.run(init_op)
    STEPS=20000
    for i in range(STEPS):
        start=(i*BATCH_SIZE)%32
        end
 
=(i*BATCH_SIZE)%32+BATCH_SIZE
        #每次訓練抽取start到end的數據
        sess.run(train_step,feed_dict={x:X[start:end],y_:Y_[start:end]})
        #每500次打印一次參數
        if i%500==0:
            print("在%d次叠代後,參數為"%(i))
            print(sess.run(w1))
    #輸出訓練後的參數
    print("\n")
    print("FINAL w1 is:",sess.run(w1))
    

自定義損失函數

loss=tf.reduce_sum(tf.where(tf.greater(y,y_),COST(y-y_),PROFIT(y_-y)))

中間的where是判斷y是否大於y_

如圖

tensorflow學習筆記(3)前置數學知識