tensorflow笔记：4.5神经网络搭建八股

• 前向传播就是搭建网络，设计网络结构（forward.py）

  1. 完成网络结构的设计，给出从输入到输出的数据通路。两个参数，x是输入，regularizer表示正则化权重

def forward(x, regularizer):
        w = 
        b = 
        y = 
        return y 

2. 与参数w有关，两个参数分别是w的shape，以及正则化权重

def get_weight(shape, regularizer): 
        w = tf.Variable() #给w赋初值
        tf.add_to_collection("losses", tf.contrib.layers.l2_regularizer(regularizer)(w))
        return w

3. 与参数b有关，参数表示b的形状（个数）

def get_bias(shape):
        b = tf.Variabel() #赋初值
        return b

• 反向传播就是训练网络，优化网络参数（backward.py）

def backward():
    x = tf.placeholder () #占位
    y_ = tf.placeholder()
    y = forward.forward(x,REGULARIZER) #复现前向传播结构，求y
    global_step = tf.Variable(0,trainable = False)
    loss = 
    #损失函数，正则化
    #loss可以是：（均方误差）
    y与y_的差距（loss_mse） = tf.reduce_mean(tf.square(y-y_))
    #也可以是：（交叉熵）
    ce = tf.nn.sparse_softmax_cross_entropy_with_logits(logits =              y,labels = tf.argmax(y_,1))
    y与y_的差距（cem） = tf.reduce_mean(ce)

    #加入正则化后：
    loss = y与y_的差距+tf.add_n(tf.get_collection("losses"))
    #指数衰减学习率
    learning_rate = tf.train.exponential_decay(LEARNING_RATE_BASE,global_step,数据集总样本数/BATCH_SIZE,LEARNING_RATE_DECAY,staircase = True)
    train_step =tf.train.GradientDescentOptimizer(learning_rate).minimize(loss,global_step = global_step)
    #滑动平均
    ema = tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY,global_step)
    ema_op = ema.apply(tf.trainable_variables())
    with tf.control_dependencies([train_step,ema_op]):
    trian_op = tf.no_op(name = "train")
    with tf.Session() as sess:
        init.run(init_op)
        for i in range(STEPS):
            sess.run(train_step,feed_dict = {x:, y:})
            if i % 轮数 == 0 :
                print()
if __name__ = "__main__": #判断Python运行的文件是否是主文件，如果是主文件，就执行backward这个函数

对上节课正则化代码模块化：
opt4_8_generateds.py

#coding:utf-8
#版本信息：ubuntu18.04  python3.6.8  tensorflow 1.14.0
#作者：九除以三还是三哦  如有错误，欢迎评论指正！！
#生成模拟数据集
import numpy as np
import matplotlib.pyplot as plt
seed = 2 
def generateds():
    #基于seed产生随机数
    rdm = np.random.RandomState(seed)
    #随机数返回300行2列的矩阵，表示300组坐标点（x0,x1）作为输入数据集
    X = rdm.randn(300,2)
    #从X这个300行2列的矩阵中取出一行,判断如果两个坐标的平方和小于2，给Y赋值1，其余赋值0
    #作为输入数据集的标签（正确答案）
    Y_ = [int(x0*x0 + x1*x1 <2) for (x0,x1) in X]
    #遍历Y中的每个元素，1赋值'red'其余赋值'blue'，这样可视化显示时人可以直观区分
    Y_c = [['red' if y else 'blue'] for y in Y_]#对应颜色Y_c
    #对数据集X和标签Y进行形状整理，第一个元素为-1表示跟随第二列计算，第二个元素表示多少列，可见X为两列，Y为1列
    X = np.vstack(X).reshape(-1,2)#整理形状
    Y_ = np.vstack(Y_).reshape(-1,1)#整理形状
    
    return X, Y_, Y_c
    
#print (X)
#print (Y_)
#print (Y_c)
#用plt.scatter画出数据集X各行中第0列元素和第1列元素的点即各行的（x0，x1），用各行Y_c对应的值表示颜色（c是color的缩写） 
#plt.scatter(X[:,0], X[:,1], c=np.squeeze(Y_c)) 
#plt.show()

opt4_8_backward.py

#coding:utf-8
#版本信息：ubuntu18.04  python3.6.8  tensorflow 1.14.0
#0导入模块 ，生成模拟数据集
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
import opt4_8_generateds
import opt4_8_forward

STEPS = 40000
BATCH_SIZE = 30 
LEARNING_RATE_BASE = 0.001
LEARNING_RATE_DECAY = 0.999
REGULARIZER = 0.01#正则化

def backward():#反向传播
    x = tf.compat.v1.placeholder(tf.float32, shape=(None, 2))#占位
    y_ =tf.compat.v1.placeholder(tf.float32, shape=(None, 1))#占位
    #X：300行2列的矩阵。Y_:坐标的平方和小于2，给Y赋值1，其余赋值0
    X, Y_, Y_c = opt4_8_generateds.generateds()
    
    y = opt4_8_forward.forward(x, REGULARIZER)#前向传播计算后求得输出y
    
    global_step = tf.Variable(0,trainable=False)#轮数计数器  
    #指数衰减学习率
    learning_rate = tf.compat.v1.train.exponential_decay(
        LEARNING_RATE_BASE,#学习率
        global_step,#计数
        300/BATCH_SIZE,
        LEARNING_RATE_DECAY,#学习衰减lü
        staircase=True)#选择不同的衰减方式


    #定义损失函数
    loss_mse = tf.reduce_mean(tf.square(y-y_))#均方误差
    loss_total = loss_mse + tf.add_n(tf.compat.v1.get_collection('losses'))#正则化
    
    #定义反向传播方法：包含正则化
    train_step = tf.compat.v1.train.AdamOptimizer(learning_rate).minimize(loss_total)

    with tf.compat.v1.Session() as sess:
        init_op = tf.global_variables_initializer()#初始化
        sess.run(init_op)#初始化
        for i in range(STEPS):
            start = (i*BATCH_SIZE) % 300
            end = start + BATCH_SIZE#3000轮
            sess.run(train_step, feed_dict={x: X[start:end], y_:Y_[start:end]})
            if i % 2000 == 0:
                loss_v = sess.run(loss_total, feed_dict={x:X,y_:Y_})
                print("After %d steps, loss is: %f" %(i, loss_v))

        xx, yy = np.mgrid[-3:3:.01, -3:3:.01]#网格坐标点
        grid = np.c_[xx.ravel(), yy.ravel()]
        probs = sess.run(y, feed_dict={x:grid})
        probs = probs.reshape(xx.shape)
    
    plt.scatter(X[:,0], X[:,1], c=np.squeeze(Y_c)) #画点
    plt.contour(xx, yy, probs, levels=[.5])#画线
    plt.show()#显示图像
    
if __name__=='__main__':
    backward()

opt4_8_forward.py

#coding:utf-8
#版本信息：ubuntu18.04  python3.6.8  tensorflow 1.14.0
import tensorflow as tf

#定义神经网络的输入、参数和输出，定义前向传播过程 
def get_weight(shape, regularizer):#（shape：W的形状，regularizer正则化）
    w = tf.Variable(tf.random.normal(shape), dtype=tf.float32)#赋初值，正态分布权重
    tf.compat.v1.add_to_collection('losses', tf.contrib.layers.l2_regularizer(regularizer)(w))#把正则化损失加到总损失losses中
    return w#返回w
#tf.compat.v1.add_to_collection(‘list_name’, element)：将元素element添加到列表list_name中

def get_bias(shape):  #偏执b
    b = tf.Variable(tf.constant(0.01, shape=shape)) #偏执b=0.01
    return b#返回值
    
def forward(x, regularizer):#前向传播
    
    w1 = get_weight([2,11], regularizer)#设置权重   
    b1 = get_bias([11])#设置偏执
    y1 = tf.nn.relu(tf.matmul(x, w1) + b1)#计算图

    w2 = get_weight([11,1], regularizer)#设置权重
    b2 = get_bias([1])#设置偏执
    y = tf.matmul(y1, w2) + b2 #计算图
    
    return y#返回值

• 运行代码

python3  opt4_8_generateds.py 
python3  opt4_8_backward.py 

模块化.png