Tensorflow实现神经网络的前向传播

咱们构想有一个神经网络，输入为两个input，中间有一个hidden layer，这个hiddenlayer当中有三个神经元，最后有一个output。

图例以下：

 

 

 

 在实现这个神经网络的前向传播以前，咱们先补充一下重要的知识。

一.权重w以及input的初始化

咱们初始化权重w的方法为随机生成这些权重，通常能够使用这些随机生成的数据正好在正态分布的曲线上，这也是最符合生成符合天然规律的随机数生成方法：

import tensorflow as tf
#通常状况下神经网络上的参数是w的数列，固然咱们通常使用随机数来生成这些参数
w=tf.Variable(tf.random_normal([2,3],stddev=2,mean=0,seed=1))
#其中stddev表示标准差，mean表示均值，【】表示随机生成正态分布的数值的shape

这样咱们的权重就生成了，咱们初始化input的方法有有如下几种，伪代码以下：

除了这种方式，咱们还能够使用
tf.constant([1,2,3]),来生成指定数值
tf.zeros([2,3],int32),用来生成全零
tf.ones([2,3],int32)，同来生成全1
tf.fill([3,2],6),生成指定数值

下面咱们编写一个仅有一个初始值input的神经网络，并利用tensorflow实现对其进行前向传播。由于初始值仅有一个，实现的方法一共有两种，咱们来看看第一种：

二.神经网络的前向传播（仅具一个初始值，方法一）

import tensorflow as tf

x=tf.constant([[0.7,0.5]])#注意这里，写了两个中括号啊！
w1=tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))
w2=tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))

#而后定义向前传播的过程
a=tf.matmul(x,w1)
y=tf.matmul(a,w2)

#利用session计算前向传播的结果
with tf.Session() as sess:
    init_op=tf.global_variables_initializer()
    sess.run(init_op)
    print(sess.run(y))#这里使用run（y）打印出结果，由于最后一个输出咱们定义的是y

输出:

[[3.0904665]]

三.神经网络的前向传播（仅具一个初始值，方法二）

咱们利用placeholder进行数据的初始化，赋值给input，使用placeholder既能够赋一个值，也能够赋多个值，这也是它很常见的缘由，代码以下：

import tensorflow as tf

x=tf.placeholder(tf.float32,shape=(1,2))
w1=tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))
w2=tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))

#一样地定义前向传播的过程
a=tf.matmul(x,w1)
y=tf.matmul(a,w2)

#利用session计算前向传播的结果
with tf.Session() as sess:
    init_op=tf.global_variables_initializer()
    sess.run(init_op)
    print(sess.run(y,feed_dict={x:[[0.7,0.5]]}))#这里使用run（y）打印出结果，由于最后一个输出咱们定义的是y

输出：

[[3.0904665]]

结果和方法一相同。接下来就能够对多个数据进行前向传播了，也是利用placeholder方法

四.神经网络的前向传播（多个初始值）

代码以下：

import tensorflow as tf

x=tf.placeholder(tf.float32,shape=(None,2))
w1=tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))
w2=tf.Variable(tf.random_normal([3,1],stddev=1,seed=1)

#一样地定义前向传播的过程
a=tf.matmul(x,w1)
y=tf.matmul(a,w2

#利用session计算前向传播的结果
with tf.Session() as sess:
    init_op=tf.global_variables_initializer()
    sess.run(init_op)
    print(sess.run(y,feed_dict={x:[[0.7,0.5],[0.2,0.3],[0.5,0.5]]}))

输出：

[[3.0904665]
 [1.2236414]
 [2.5171587]]

完毕！看起来仍是挺简单的吧！tensorflow在工业界的应用仍是十分普遍的，想要创业和在业界工做的朋友就能够好好了解一下了！