IT评测·应用市场-qidao123.com技术社区

标题: TensorFlow DAY2: 搭建神经网络（PART 2) [打印本页]
作者: 民工心事    时间: 2025-1-5 11:47
标题: TensorFlow DAY2: 搭建神经网络（PART 2)
TensorFlow 作为深度学习框架，当然是为了帮助我们更便捷地去构建神经网络。所以，本文将会相识怎样利用 TensorFlow 来构建神经网络，并学会 TensorFlow 构建神经网络的紧张函数和方法。
知识点


NumPy 构建神经网络 

前文中，我们已经相识了 TensorFlow 的工作机制，并学会利用 TensorFlow 参与运算。TensorFlow 作为最精彩的深度学习开源框架，在我看来重要有 2 点上风。第一是基于盘算图的数值盘算过程，终极目的是提拔盘算速度。其次就是对各种常用神经网络层进行封装，提高构建模子的速度。
所以，本次实验我们将相识怎样利用 TensorFlow 构建神经网络。
人工神经网络的实验中，我们利用 NumPy 构建简单的全毗连神经网络。全毗连指的是其每一个节点都与上一层每个节点相连。比方我们其时实现过的网络结构：
               
 
对于神经网络的实现，重要是前向传播和反向传播两个部门。前向传播当然是从输入 → 输出的盘算，而反向传播则通过盘算梯度来更新网络权重。这里，我们直接将前面感知机和人工神经网络实验中写过的代码拿过来利用。 
  1. import numpy as np
  3. class NeuralNetwork:
  4.     def __init__(self, X, y, lr):
  5.         """初始化参数"""
  6.         self.input_layer = X
  7.         self.W1 = np.ones((self.input_layer.shape[1], 3))  # 初始化权重全为 1
  8.         self.W2 = np.ones((3, 1))
  9.         self.y = y
  10.         self.lr = lr
  12.     def forward(self):
  13.         """前向传播"""
  14.         self.hidden_layer = sigmoid(np.dot(self.input_layer, self.W1))
  15.         self.output_layer = sigmoid(np.dot(self.hidden_layer, self.W2))
  16.         return self.output_layer
  18.     def backward(self):
  19.         """反向传播"""
  20.         d_W2 = np.dot(self.hidden_layer.T, (2 * (self.output_layer - self.y) *
  21.                                             sigmoid_derivative(np.dot(self.hidden_layer, self.W2))))
  23.         d_W1 = np.dot(self.input_layer.T, (
  24.             np.dot(2 * (self.output_layer - self.y) * sigmoid_derivative(
  25.                    np.dot(self.hidden_layer, self.W2)), self.W2.T) * sigmoid_derivative(
  26.                 np.dot(self.input_layer, self.W1))))
  28.         # 参数更新
  29.         self.W1 -= self.lr * d_W1
  30.         self.W2 -= self.lr * d_W2
复制代码
下面，利用示例数据完成神经网络练习。
  1. import pandas as pd
  3. # 直接运行加载数据集
  4. df = pd.read_csv(
  5.     "https://labfile.oss.aliyuncs.com/courses/1081/course-12-data.csv", header=0)
  6. df.head()  # 预览前 5 行数据
复制代码
  1. from matplotlib import pyplot as plt
  2. %matplotlib inline
  4. X = df[['X0', 'X1']].values  # 输入值
  5. y = df[['Y']].values  # 真实 y
  6. nn_model = NeuralNetwork(X, y, lr=0.001)  # 定义模型
  7. loss_list = []  # 存放损失数值变化
  9. def sigmoid(x):
  10.     """激活函数"""
  11.     return 1 / (1 + np.exp(-x))
  13. def sigmoid_derivative(x):
  14.     """sigmoid 函数求导"""
  15.     return sigmoid(x) * (1 - sigmoid(x))
  17. # 迭代 200 次
  18. for _ in range(200):
  19.     y_ = nn_model.forward()  # 前向传播
  20.     nn_model.backward()  # 反向传播
  21.     loss = np.square(np.subtract(y, y_)).mean()  # 计算 MSE 损失
  22.     loss_list.append(loss)
  24. plt.plot(loss_list)  # 绘制 loss 曲线变化图
  25. plt.title(f"final loss: {loss}")
复制代码
 

可以看到，仅包含 1 个隐含层的网络，利用 NumPy 实现的代码量就已不算少。深度神经网络中，大概会有数百层及数千个神经元，利用 NumPy 实现的复杂度可想而知。
假如你仔细观察上面的代码，你就会发现随着神经网络的复杂程度增长，不光代码量不停加大，最大的麻烦还在于求解梯度。所以，像 TensorFlow 等深度学习框架带来的最大便利在于，我们仅需要构建一个神经网络前向传播图，练习时就能够实现自动求导并更新参数。下面，我们就实验利用 TensorFlow 的方式来重新构建上方包含 1 个隐含层的神经网络，并终极完成练习。 
  1. import tensorflow as tf
  3. # 将数组转换为常量张量
  4. X = tf.cast(tf.constant(df[['X0', 'X1']].values), tf.float32)
  5. y = tf.constant(df[['Y']].values)
  7. X.shape, y.shape
复制代码
上面的代码中，tf.cast 重要用于转换张量，类型为 tf.float32，这是为了和后面权重张量类型统一。通过输出可以看出，样本为 150 个，特征为 2 个，目的值 1 个。 
定义模子类

接下来，我们就可以构建前向传播盘算图了。这部门与 NumPy 构建前向传播过程非常相似，只是更换为利用 TensorFlow 构建。一般环境下，我们会将前向传播过程利用自定义模子类封装，并利用 TensorFlow 提供的 tf.Variable 随机初始化参数 W。
  1. class Model(object):
  2.     def __init__(self):
  3.         # 初始化权重全为 1，也可以随机初始化
  4.         # 选择变量张量，因为权重后续会不断迭代更新
  5.         self.W1 = tf.Variable(tf.ones([2, 3]))
  6.         self.W2 = tf.Variable(tf.ones([3, 1]))
  8.     def __call__(self, x):
  9.         hidden_layer = tf.nn.sigmoid(tf.linalg.matmul(X, self.W1))  # 隐含层前向传播
  10.         y_ = tf.nn.sigmoid(tf.linalg.matmul(hidden_layer, self.W2))  # 输出层前向传播
  11.         return y_
复制代码
 
 
 
 
 
 
 
 

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。



欢迎光临 IT评测·应用市场-qidao123.com技术社区 (https://dis.qidao123.com/) Powered by Discuz! X3.4