你可能会认为奇怪，为什愦我们要将占位符shape定义为二维列表[None,NUM_INPUTS]和[None,NUM_OUTPUTS]，第一个维度都是”None”?大年夜整体来看，神经收集有点像我们每次输入一个值，练习它生成一个特定输出值。但更有效力的方法是，一次供给多个输入\输出对(pair)，这就是 batch 。膳绫擎shape中的第一维，是每个 batch 中有几组输入/输出对。创建一个 batch 之前我们并不知道琅绫擎有几组。实际上，后续我们将应用同一个图来进行练习、测试以及实际应用，所以 batch 的大年夜小不会每次都雷同。是以，我们将第一维的大年夜小设置为 Python 占位符对象 ”None“。

接下来，我们创建神经收集图的第一层：将权重定义为W_fc1，阈值(或误差)定义为b_fc1，隐层定义为h_fc1。这里”fc”意为“完全连接(fully connected)”的意思，因为权重把每一个输入神经元和每一个隐蔽神经元连接起来。

tf.truncated_normal 导致了一系列操作和张量，将会把所有权重赋值为标准化的随机数字。

Variable 的操作会给出初始化的值，这里是随机数字，在后面可以多次引用。一旦练习完，也可以很便利的精力经收集保存至文件中。

你可以看到我们用 matmul 操作来履行矩阵乘法的地位。我们插入一个 add 操作来参加误差权重(bias weights)。个中 relu 运算履行的就是“激活函数”(activation function)。矩阵乘法和加法都是线性运算。神经收集用线性运算能做的事异常少。激活方程供给了一些非线性。这里的relu激活函数，就是将所有小于0的值设置为0，其余值不变。不管你信不信，这为神经收集可以或许进修的器械打开了一扇全新的大年夜门。

细心看下前面的代码，会发明似乎有些反复，我们插入了两次sigmoid。实际是我们创建了两次不合的、并行的输出。个中cross_entropy张量将被用来练习神经收集。而 results 张量则是后续用来履行练习过的神经收集，不管它被练习出来作何目标。这是今朝我能想到的最好的办法。

神经收集第二层中的权重和阈值与第一层设置的一样，只是输出层不合。我们再次进行矩阵相乘，这一回乘的是权重和隐层，随后参加误差权重(bias weights)，激活函数被留到下一组代码。

在TensorFlow中，这些列表(lists)被称为张量(tensors)。矩阵相乘被称为操作(operation，也翻译作计算节点或运算)，即法度榜样员常说的op，浏览TensorFlow官方文件时会经常碰到。进一步讲，神经收集就是一堆张量、以及操作张量的 op 的集合，它们合营构成了神经收集图(graph)。

与膳绫擎的relu类似，Sigmoid是另一个激活函数，也长短线性的。这里我应用sigmoid函数，必定程度上是因为它能使最终输出值为一个0和1之间，对于二进制计数器而言是一个幻想的选择。在我们的例子中，为了表示二进制111，所有的输出神经元都可以有一个很大年夜的值。这和图像分类不合，后者会欲望仅仅用一个输出单位来输出一个很大年夜的值。举个例子，比如一张图像里有长颈鹿，我们会欲望代表长颈鹿的输出单位输出相昔时夜的值。这种情况下，用softmax函数作为激活函数反倒更合适。

最后一件事就是练习(training)。也就是基于练习数据调剂所有的权重。记住，在这里我们仍然只是创建一个图。真正的“练习”产生在我们开端运行这个图的时刻。

运行过程中供选择的优化器很多，这里我拔取了 tf.train.RMSPropOptimizer。因为就像sigmoid一样，它比较合适所有输出值都可能较大年夜的情况。而针对分类的情况，例如图像分类，用tf.train.GradientDescentOptimizer效不雅可能更好。

练习和应用二进制计数器

在完成创建图之后，就可以开端练习了。

起首，要预备一些练习数据：包含输入变量 inputvals 和目标变量 targetvals 。个中 inputvals 包含输入值，后者的每一个都有对应的 targetvals 目标值。例如，inputvals[0]即[0, 0, 0] ，对应的输出或目标值为targetvals[0] ，也就是 [0, 0, 1] 。

do_training和save_trained都可以硬编码，每次都可以进行更改，或者应用敕令行参数进行设置。

　　推荐阅读

　　马斯克开公司挖隧道 受够堵车欲建地下3D轨交系统

埃隆·马斯克的平生是在赓续创造和改变世比赛度过的。当他欲望创造一种全新的在线付出方法时，于是有了PayPal;当他欲望有一辆没有污染的汽车瓯，于是有了特斯拉;当他欲望有一天能殖>>>详细阅读

本文标题：TensorFlow上手要点都总结在这儿了，你还有理由偷懒吗？

地址：http://www.17bianji.com/lsqh/35060.html

 1/2    1