神經網路引數和tensorflow變數

神經網路引數是神經網路實現分類和回歸的重要部分，要了解tensorflow如何組織、儲存以及使用神經網路中的引數的。

tensorflow中的變數tf.variable()的作用就是儲存和更新神經網路的引數。tensorflow中的變數需要指定初始值，給引數賦予初始值最為常見，所以一般也使用隨機數給tensorflow中的變數初始化；

weights=tf.variable(tf.random_normal(
[2.3
],stddev
=2
))

tensorflow中變數的初始值可以設定為隨機數、常數或者通過其它的初始值計算得到的。tensorflow支援的所有隨機數生成器：

tf.random_normal 正態分佈

tf.truncated_normal 正太分布，但隨機出來的值偏離平均值超過2個標準差，那麼這個數將被重新隨機

tf.random_uniform 平均分布

tf.random_gamma gamma分布

tensorflow也支援通過常數來初始化乙個變數。

tf.zeros（）

tf.ones()

tf.fill() tf.fill([2,3],9) ->[9,9,9],[9,9,9]]產生乙個全部為給定數字的陣列。

tf.constant

importtensorflowastf
w1=tf.variable(tf.random_normal(
[2,3
],stddev
=1,seed
=1
))w2=tf.variable(tf.random_normal(
[3,1
],stddev
=1,seed
=1
))x=tf.constant(
[0.7,0.9
])
a=tf.matmul(x,w1)
y=tf.matmul(a,w2)
withtf.session() 
assess:sess.run(w1.initializer)
sess.run(w2.initializer)
print
(sess.run(y))

上面是將初始化的變數乙個個的進行初始化，tensorflow提供了一種更加便捷的方式來完成變數初始化過程，即用

tf.initialize_all_variables(),這樣就不需要乙個個的去初始化了。

變數的宣告函式tf.variables()是乙個運算，這個運算的輸出結果就是乙個張量，這個張量也是變數，所以變數是一種特殊的張量

tensorflow提供了placeholder機制用於提供輸入資料，placeholder相當於定義了乙個位置，這個位置中的資料在程式執行時指定，這樣在程式中就不需要生成大量常量來提供輸入資料，只需將資料通過placeholder出入tensorflow計算圖。placeholder的型別是不可改變的，placeholder中的維度資訊是根據提供的資料推導出來的。

x=tf.placeholder(tf.float32,shape=(1,2),name="input")

這裡利用tf.placehoder定義乙個位置代替x=tf.constant()，在新的程式中計算前向傳播結果時，需要提供乙個feed_dict來指定x的取值。feed_dict是乙個字典map，在字典中需要給出每個用到的placeholder的取值，如果某個需要的placeholder沒有被指定取值，那麼程式會報錯。

x=tf.placeholder(tf.float32,shape
=(
3,2),name
="input")
print
(sess.run(y,feed_dict
=))

feed_dict將3*2的矩陣的資料傳入到tf.placeholder中，作為x的值，注意feed_dict的值是在程式執行時給的。

神經網路引數和tensorflow變數

卷積神經網路快速入門基於TensorFlow

卷積神經網路和神經網路

神經網路相關引數

神經網路引數和tensorflow變數

卷積神經網路快速入門 基於TensorFlow

卷積神經網路和神經網路

神經網路相關引數

相關推薦

卷積神經網路快速入門基於TensorFlow