开始学习tensorflow

搭建神经网络：

• 准备数据
• 定义数据输入层
• 定义网络隐藏层和预测层
• 定义loss 表达式
• 选择optimizer使得loss 最小

import tensorflow as tf
import numpy as np

# 定义一个添加层的函数为网络构建做准备
# 默认情况下没有激活函数，input 是神经元输入， in_size 输入神经元的个数，out_size输出的个数。
def add_layer(inputs, in_size,out_size,activation_function=None):
    weights=tf.Variable(tf.random_normal([in_size,out_size]))
    # 定义权重是变量，在tensorflow中定义是一个变量才是变量
    biase=tf.Variable(tf.zeros([1,out_size])+0.1)
    # 矩阵乘法
    w_plus_b=tf.matmul(inputs,weights)+biase
    # 定义运算
    if activation_function is None: 
        outputs=w_plus_b
    else:
        outputs=activation_function(w_plus_b)
    return outputs
    



#1. 准备训练数据
x_data=np.linspace(-1,1,300)[:,np.newaxis]
# linspace 类似matlab 中的[-1:1:300]，生成一个数组从-1 到300 每次加1，
# np.newaxis 等价于None,np.linspace 生成的是一个行向量，使用newaxis 增加一个维度大小为1 的新维度。x=[1,2,3],x.shape=3.,x[:,newaxis].shape=(3,1)在3后加一维
noise=np.random.normal(0,0.05,x_data.shape) 
 # 获得一个正态分布的值，和x_data大小相同, mu=0,v=0.05
y_data=np.square(x_data)-0.5+noise
 
 #2. 定义节点接受数据
 # 要给节点输入数据时，要用placeholder 占位符，类似于函数的参数描述待输入的节点，在运行时传入，和feed_dict是绑定使用的。 
xs=tf.placeholder(tf.float32,[None,1])
ys=tf.placeholder(tf.float32,[None,1])
 
 #3.定义网络结构
l1=add_layer(xs,1,10,activation_function=tf.nn.relu)
prediction=add_layer(l1,10,1,activation_function=None)
 
 #4.定义loss
 # reduce_sum 是求和，求和的对象时tensor，沿着tensor的某些维度求和。 本质是降维，reduce_sum 以求和的手段降维， reduce_mean 以求平均手段降维。 这种操作都有reduce_indices, 默认值为None，将tensor 降到0维
 
loss=tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1]))


 #5.选择optimizer
# 使用梯度下降的方法，学习率为0.1，最小化loss
train_step=tf.train.GradientDescentOptimizer(0.1).minimize(loss)
 
 
 
 # 
 # 初始化参数， 如果有变量一定要给变量初始化
init=tf.initialize_all_variables()
 # 定义一个Session对象， 在session 中执行
sess=tf.Session()
sess.run(init)
 
 # 迭代1000次，在sess中run optimizer
for i in range(1000):
     # train_step 中loss 是由 placeholder 定义的运算，要用feed 传入参数
    sess.run(train_step,feed_dict={xs:x_data,ys:y_data})
    if i%50==0:
        print(sess.run(loss,feed_dict={xs:x_data,ys:y_data}))

　　

 reduce_sum:

在tensorflow 1.0 中，reduction_indices 改为axis,

dropout 是训练过程中，按照一定概率将一部分神经单元暂时从网络中丢弃。 

在tensorflow 中实现就是在add layer 函数中加上dropout，keep_prob保存多少不被drop

Wx_plus_b = tf.nn.dropout(Wx_plus_b, keep_prob)

使用tensorboard： 要用with tf.name_scope 定义各个框架，