Tensorflow 搭建神经网络 （一）

readme:

本文为中国大学MOOC课程《人工智能实践：Tensorflow笔记》的笔记中搭建神经网络，总结搭建八股的部分

目标：搭建神经网络，总结搭建八股

Tensorflow 搭建神经网络 分三篇完成：

《Tensorflow 搭建神经网络 （一）》基本概念

《Tensorflow 搭建神经网络 （二）》神经网络的参数、神经网络搭建、前向传播

《Tensorflow 搭建神经网络 （三）》反向传播、搭建神经网络的八股

如果你喜欢这篇文章，可以在文章底部的附件中下载Tensorflow笔记3.pdf格式文档

如果你想试着运行文中的代码，你需要搭建好环境。在《机器学习入门之HelloWorld（Tensorflow）》提到了Tensorflow环境搭建的方法。

一、基本概念

√基于 Tensorflow 的 NN：用张量表示数据，用计算图搭建神经网络，用会话执行计算图，优化线上的权重（参数），得到模型。

√张量：张量就是多维数组（列表），用“阶”表示张量的维度。

0 阶张量称作标量，表示一个单独的数；

举例 S=123

1 阶张量称作向量，表示一个一维数组；

举例 V=1,2,3

2 阶张量称作矩阵，表示一个二维数组，它可以有 i 行 j 列个元素，每个元素可以用行号和列号共同索引到；

举例 m=1, 2, 3, 4, 5, 6, 7, 8, 9

判断张量是几阶的，就通过张量右边的方括号数，0 个是 0 阶，n 个是 n 阶，张量可以表示 0 阶到 n 阶数组（列表）；

举例 t= … 为 3 阶。

√数据类型：Tensorflow 的数据类型有 tf.float32、tf.int32 等。

举例

我们实现 Tensorflow 的加法：

import tensorflow as tf       #引入模块 
a = tf.constant([1.0, 2.0])   #定义一个张量等于[1.0,2.0] 
b = tf.constant([3.0, 4.0])   #定义一个张量等于[3.0,4.0] 
result = a+b                  #实现 a 加 b 的加法 
print result                  #打印出结果 

可以打印出这样一句话：Tensor(“add:0”, shape=(2, ), dtype=float32)，

意思为 result 是一个名称为 add:0 的张量，shape=(2,)表示一维数组长度为 2，dtype=float32 表示数据类型为浮点型。

√计算图（Graph）： 搭建神经网络的计算过程，是承载一个或多个计算节点的一张图，只搭建网络，不运算。

举例

神经网络的基本模型是神经元，神经元的基本模型其实就是数学中的乘、加运算。我们搭建如下的计算图：

x1、x2 表示输入，w1、w2 分别是 x1 到 y 和 x2 到 y 的权重，y=x1*w1+x2*w2。

我们实现上述计算图：

import tensorflow as tf           #引入模块 
x = tf.constant([[1.0, 2.0]])     #定义一个 2 阶张量等于[[1.0,2.0]] 
w = tf.constant([[3.0], [4.0]])   #定义一个 2 阶张量等于[[3.0],[4.0]] 
y = tf.matmul(x, w)               #实现 xw 矩阵乘法 
print y                           #打印出结果 

可以打印出这样一句话：Tensor(“matmul:0”, shape(1,1), dtype=float32)，从这里我们可以看出，print 的结果显示 y 是一个张量，只搭建承载计算过程的计算图，并没有运算，如果我们想得到运算结果就要用到“会话 Session()”了。

√会话（Session）： 执行计算图中的节点运算。

我们用 with 结构实现，语法如下：

with tf.Session() as sess: 
  print sess.run(y) 

举例

对于刚刚所述计算图，我们执行 Session()会话可得到矩阵相乘结果：

import tensorflow as tf           #引入模块 
x = tf.constant([[1.0, 2.0]])     #定义一个 2 阶张量等于[[1.0,2.0]] 
w = tf.constant([[3.0], [4.0]])   #定义一个 2 阶张量等于[[3.0],[4.0]] 
y = tf.matmul(x, w)               #实现 xw 矩阵乘法 
print y                           #打印出结果 
with tf.Session() as sess: 
    print sess.run(y)            #执行会话并打印出执行后的结果 

可以打印出这样的结果：

Tensor(“matmul:0”, shape(1,1), dtype=float32) [11.]

我们可以看到，运行Session()会话前只打印出y是个张量的提示，运行Session()会话后打印出了 y 的结果 1.03.0 + 2.04.0 = 11.0。

注①：我们以后会常用到 vim 编辑器，为了使用方便，我们可以更改 vim 的配置文件，使 vim 的使用更加便捷。我们在 vim ~/.vimrc 写入：

set ts=4 表示使 Tab 键等效为 4 个空格

set nu 表示使 vim 显示行号 nu 是 number 缩写

注②：在 vim 编辑器中运行 Session()会话时，有时会出现“提示 warning”， 是因为有的电脑可以支持加速指令，但是运行代码时并没有启动这些指令。可以把这些“提示 warning”暂时屏蔽掉。屏蔽方法为进入主目录下的 bashrc 文件，在bashrc 文件中加入这样一句 export TF_CPP_MIN_LOG_LEVEL=2，从而把“提示warning”等级降低。

这个命令可以控制 python 程序显示提示信息的等级，在 Tensorflow 里面一般设置成是"0"（显示所有信息）或者"1"（不显示 info）， "2"代表不显示 warning，"3"代表不显示 error。一般不建议设置成 3。

source 命令用于重新执行修改的初始化文件，使之立即生效，而不必注销并重新登录。