一、搭建模块化神经网络八股

1，前向传播：由输入到输出，搭建完整的网络结构

描述前向传播的过程需要定义三个函数：

def forward(x,regularizer):

w=

b=

y=

return y

第一个函数forword()完成网络结构的设计，从输入到输出搭建完整的网络结构，实现前向传播过程。该函数中，参数x为输入，regularizer为正则化权重，返回值为预测或分类结果y。

def get_weight(shape,regularizer):

w=tf.Variable()

tf.add_to_collection('losses',tf.contrib.layers.12_regularizer(regularizer)(w))

return w

第二个函数get_weight()对参数w设定，该函数中，参数shape表示参数w的形状，regularizer表示正则化权重，返回值为参数w。其中，tf.variable()给参数w赋初值，tf.add_to_collection()表示将参数w正则化损失加到总损失losses中。

def get_bias(shape):

b=tf.Variable()

return b

第三个函数get_bias()对参数b进行设定，该函数中，参数shape表示参数b的形状，返回值为参数b，其中，tf.Variable()表示给b赋初值。

2，反向传播：训练网络，优化网络参数，提高模型准确性。

get backward():

x=tf.placeholder()

y_=tf.placeholder()

y=forward.forward(x,REGULARIZER)

global_step=tf.Variable(0,trainable=False)

loss=

函数backward()中，placeholder()实现对数据集x和标准答案y_占位，forward.forward()实现前向传播的网络结构，参数global_step表示训练轮数，设置为不可训练型参数。

在训练网络模型时，常将正则化、指数衰减学习率和滑动平均这三个方法作为模型优化方法。

1）在tensorflow中，正则化表示为：损失值+正则化项

首先计算预测结果与标准答案的损失值

其次，总损失值为预测结果与标准答案的损失值加上正则化项

2）在tensorflow中，指数衰减学习率表示为：

3）在tensorflow中，滑动平均表示为：

其中，滑动平均和指数衰减学习率中的global_step为同一个参数。

3，用with结构初始化所有参数

with tf.Session() as sess:

      init_op=tf.global_variables_initializer()

             sess.run(init_op)

      for i in range(STEPS):

             sess.run(train_step,feed_dict={x: ,y_: })

                       for i %轮数 ==0：

                              print

其中，with结构用于初始化所有参数信息以及实现调用训练过程，并打印出loss值。

4，判断python运行文件是否为主文件

if __name=='__main__':

backward()

该部分用来判断python运行的文件是否为主文件，若是主文件，则执行backwar()函数。