python 关于tensorflow机器学习（一）神经网络搭建

tensorflow安装的坑

Windows用户安装时应安装python 64bit版，而官网首页第一个下载链接为32bit版，如下图所示官网首页个download链接，下载的是32bit的python，Windows平台tensorflow仅支持python64bit。
python版本可以选择3.5以上版本，目前可选用python3.65版，不要轻易是使用最新版本的python，因为最新版本的python安装tensorflow会出现各种问题，比如无法使用pip进行下载安装，即使手动下载了python3.7的tensorflow安装压缩包，依然会在安装过程出现各种错误，因为相关类库未适配python3.7等等问题。所以为了简单建议下载python3.6版本。
下载链接如图所示

图中所示版本博主亲测，可以使用pip安装tensorflow并正常运行。

基于tensorflow神经网简单示例

目的

搭建一个简单神经网络用来拟合y=x^2+0.5
并预测x=0.65时y的值，并对比采用传统最小二乘法的拟合

神经网络搭建

神经网络层搭建
神经层的初始权值采用normal随机生成即高斯分布生成，偏差biases初始化为0，默认不采用activate function进行非线性化。

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

神经网络搭建
使用含10个神经元的神经网络进行拟合，如图所示：

采用梯度下降法进行学习，学习效率选择为0.2
代码实现如下：

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

x_data = np.linspace(-1,1,300)[:,np.newaxis]
noise = np.random.normal(0, 0.1, x_data.shape)#引入高斯白噪声
y_data = np.square(x_data)+0.5+noise
X=0.65

x_input = tf.placeholder(tf.float32, [None,1])
y_output = tf.placeholder(tf.float32, [None,1])
layer1_out = add_layer(x_input, 1, 10, tf.nn.relu)
prediction = add_layer(layer1_out, 10, 1)

loss = tf.reduce_mean(tf.reduce_sum(tf.square(y_output-prediction), reduction_indices=[1]))
train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss)

init = tf.initialize_all_variables()
session = tf.Session()
session.run(init)

fig = plt.figure()
fig1 = fig.add_subplot(1,1,1)
fig1.scatter(x_data, y_data)
plt.ion()#令程序布种终止
plt.show(block=False)

for i in range(1000):
    session.run(train_step,feed_dict={x_input:x_data, y_output:y_data})
    if i%50 == 0:
        #to see setp improvenment
        #print(session.run(loss, feed_dict={x_input:x_data, y_output:y_data}))
        try:
            fig1.lines.remove(lines[0])
        except Exception:
            pass
        prediction_value = session.run(prediction, feed_dict={x_input:x_data})
        lines = fig1.plot(x_data, prediction_value,'r-',lw=3)
        plt.pause(0.2)
print("神经网络拟合结果：%2.5f" %session.run(prediction,feed_dict={x_input:[[X,]]}))

采用传统最小二乘法拟合
代码实现：

z = np.polyfit(x_data.flatten(), y_data.flatten(), 2)
print(z)
Y=z[0]*X*X+z[1]*X+z[2]
print("最小二乘法拟合预测结果：%2.5f"  %Y)

实验结果
神经网络拟合图像如下所示

最小二乘法拟合：
python 关于tensorflow机器学习（一）神经网络搭建
对于X=0.65，Y值的预测结果：

总结

简单神经网络在方程的拟合上，准确度在百分之90以上，可以通过增加神经元个数，与添加不同activation function等方式优化神经网络，从而达到更好的学习效果。

python 关于tensorflow机器学习（一）神经网络搭建

tensorflow安装的坑

基于tensorflow神经网简单示例

目的

神经网络搭建

总结

相关推荐