深度学习|tensorflow张量运算
前言
为什么我们单独讲解一个tensorflow的张量（矩阵）运算了？因为神经网络原理其实就是矩阵的运算。如图所示，我们有三个神经元，两个输出。其实背后的计算不过是：
- x和权重矩阵相乘
- 加上偏差值
- 激活函数
所以，学会矩阵运算，是实现神经网络的第一步。
矩阵相乘和相加
相乘
矩阵的相乘我们使用tf.matmul方法。
X = tf.Variable([[1.,1.,1.]])
W = tf.Variable([[-0.5,-0.2 ],
[-0.3, 0.4 ],
[-0.5, 0.2 ]])
XW =tf.matmul(X,W )
with tf.Session() as sess:
init = tf.global_variables_initializer()
sess.run(init)
print(sess.run(XW ))
# [[-1.29999995 0.40000001]]相加
矩阵的加法很简单，就是用+即可完成。
b = tf.Variable([[ 0.1,0.2]])
XW =tf.Variable([[-1.3,0.4]])
Sum =XW+b
with tf.Session() as sess:
init = tf.global_variables_initializer()
sess.run(init)
print('Sum:')
print(sess.run(Sum ))
# Sum:
#[[-1.19999993 0.60000002]]神经网络实现
我们回到上图的问题，我们用tensorflow即可完成这个过程。
X = tf.Variable([[0.4,0.2,0.4]])
W = tf.Variable([[-0.5,-0.2 ],
[-0.3, 0.4 ],
[-0.5, 0.2 ]])
b = tf.Variable([[0.1,0.2]])
XWb =tf.matmul(X,W)+b
y=tf.nn.relu(tf.matmul(X,W)+b)
with tf.Session() as sess:
init = tf.global_variables_initializer()
sess.run(init)
print('XWb:')
print(sess.run(XWb ))
print('y:')
print(sess.run(y ))激活函数我们使用的是relu。如果值小于0就转换为0，大于0就是多少。当然如果想用sigmoid函数，用tf.nn.sigmoid即可。
随机初始值
神经网络中的权重和偏差刚开始都是随机的，后面我们通过反向传播来进行训练，通过优化算法获得最优值。 所以，我们首先对权重和偏差赋上随机值。
W = tf.Variable(tf.random_normal([3, 2]))
b = tf.Variable(tf.random_normal([1, 2]))
X = tf.Variable([[0.4,0.2,0.4]])
y=tf.nn.relu(tf.matmul(X,W)+b)
with tf.Session() as sess:
init = tf.global_variables_initializer()
sess.run(init)
print('b:')
print(sess.run(b ))
print('W:')
print(sess.run(W ))
print('y:')
print(sess.run(y )) 输入用placeholder
神经元的输入我们是不固定的，这里我们用placeholder来实现。
W = tf.Variable(tf.random_normal([3, 2]))
b = tf.Variable(tf.random_normal([1, 2]))
X = tf.placeholder("float", [None,3])
y=tf.nn.relu(tf.matmul(X,W)+b)
with tf.Session() as sess:
init = tf.global_variables_initializer()
sess.run(init)
X_array = np.array([[0.4,0.2,0.4]])
(_b,_W,_X,_y)=sess.run((b,W,X,y),feed_dict={X:X_array})
print('b:')
print(_b)
print('W:')
print(_W)
print('X:')
print(_X)
print('y:')
print(_y)总结
由于神经网络不是一成不变的（神经元个数，隐含层，数据情况都是不同的），所以我们将上面的代码，定义为函数，这样就可以灵活使用啦。
def layer(output_dim,input_dim,inputs, activation=None):
W = tf.Variable(tf.random_normal([input_dim, output_dim]))
b = tf.Variable(tf.random_normal([1, output_dim]))
XWb = tf.matmul(inputs, W) + b
if activation is None:
outputs = XWb
else:
outputs = activation(XWb)
return outputs本文参与 腾讯云自媒体分享计划，分享自作者个人站点/博客。
原始发表：2019.03.02 ，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录