本文共 4927 字，大约阅读时间需要 16 分钟。

������TensorFlow���������������������������������

������������������������������������TensorFlow���������������������������������������������������������������������������������������������������������������

1. ������������

���������������������������������������������������

���������������������������������������������������������������������������

• ���������������������������������������������������
• ���������������������������������������������������ReLU������
• ������������������������������������������������������
• ���������������������������������������������������������

2. ������������

������������������������������������������������numpy���������������������������

x_data = np.linspace(-1, 1, 300, dtype=np.float32)
x_data = np.reshape(x_data, (-1, 1))  # ���������������������������(300, 1)

������������������������������

noise = np.random.normal(0, 0.05, x_data.shape)
y_data = np.square(x_data) - 0.5 + noise

���������

• linspace���������-1���1���300������������������������������������
• reshape���������������������300���1������������������������������TensorFlow������������������������
• ������normal������������������������������0���������������0.05���������������������������������������
• y_data���������������������������������0.5���������������������������������300������������

������������������TensorFlow������������

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

3. ������������������

���������������������������������������������

# ���������
hidden_layer = add_layer(xs, 1, 10, activation_function=tf.nn.relu)
# ���������
prediction = add_layer(hidden_layer, 10, 1, activation_function=None)

������add_layer���������������

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

���������

• ������������������������������������������������������������������������������������������
• matmul���������������������������������
• ������������������������������������������������������������
• ������������������������������������������������������������

4. ������������

���������������������������������������

loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction)))

���������

• tf.square���������������������������������������������
• tf.reduce_sum������������������������������������������������������
• tf.reduce_mean������������������������������������������������������

5. ������������

������������������������������������������������

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

������������������

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

���������������������

for i in range(1000):
    # ������
    sess.run(train_step, feed_dict={xs: x_data, ys: y_data})
    if i % 50 == 0:
        #���������
        try:
            ax.lines.remove(lines[0])
        except:
            pass
        prediction_value = sess.run(prediction, feed_dict={xs: x_data})
        lines = ax.plot(x_data, prediction_value, 'r-', lw=5)
        plt.pause(0.5)

���������

• GradientDescentOptimizer������������������0.1���
• minimize������������������������������������
• tf.Session���������������������������������
• for������������1000������
• ���50������������������������������

6. ���������������

������matplotlib������������������������������������

fig = plt.figure()
ax = fig.add_subplot(1,1,1)
ax.scatter(x_data, y_data)
plt.ion()
plt.show()

7. ������

���������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������������

8. ������������

������������������������������������������������������

• ���������������������������������������������������������
• ���������������������������������������L2������������
• ������������������������������������������Adam���
• ���������������������������������������������������������������������������������

������������������������������������������������������������������������������������������������