TensorFlow基础1——神经网络tutorial

 Tensorflow神经网络的一个小栗子：

1. 生成数据（create data）：
   • 拟合的方程为 y = 0.1 * x + 0.3
2. 声明网络结构：
   • 参数初始化
   • 核函数（有时候需要激活函数）
   • 损失函数
   • 选择优化器（optimizer）
   • 训练函数 = 优化器最小化损失函数
3. 创建session，初始化变量
4. 训练网络

 

import tensorflow as tf 
import numpy as np 

#create data
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data*0.1+0.3

###create tensorflow structure start###
Weights = tf.Variable(tf.random_uniform([1],-1.0,1.0))
biases = tf.Variable(tf.zeros([1]))
 
y = Weights * x_data + biases

loss = tf.reduce_mean(tf.square(y-y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5) #学习率 = 0.5
train = optimizer.minimize(loss)

init = tf.initialize_all_variables()
###create tensorflow structure end###
sess = tf.Session()
sess.run(init)
for step in range(201):
    sess.run(train)
    if step % 20 == 0:
        print(step,sess.run(Weights),sess.run(biases))

 运行结果：

 训练200次后，基本上可以拟合 y = 0.1 * x + 0.3