赞
踩
通过相关资料,学习使用TensorFlow搭建DNN的流程。整的提出分为以下几个步骤:设置网络参数—设置输入占位符变量—设置网络结构—优化损失函数—设置训练参数—训练网络—输出准确度
搭建一个三层网络结构,输入层—隐藏层1—隐藏层2—输出层。假设以MNIST图像数据为例。
n_inputs = 28*28(像素)
n_hidden1 = 300(隐藏层单元个数)
n_hidden2 = 100
n_outputs = 10(10个类别)
X = tf.placeholder(tf.float32, shape = (None, n_inputs), name = "X")
y = tf.placeholder(tf.int64, shape = (None), name = "y")
其中placeholder相当于一个参数变量,方便后续调用和修改。其中第一个参数为type,第二个参数为传入数据的shape,一般第一个为None,即后续跟进输入数据可调节。最后一个为name,可以用于tensorboard使用。
输入层—隐藏层1—隐藏层2—输出层
def neuron_layer(X, n_neurons, name, activation = None):
#当前网络层,X输入层,n_neurons输出层,activation激活函数
with tf.name_scope(name):
n_inputs = int(X.get_shape()[1])
stddev = 2/math.sqrt(n_inputs)#根据介绍,按照此方法计算标准差,可以加快收敛
#产生一个具有截断的均值,标准差可以设定的高斯分布数据,如截断(-3std, +3std)
init = tf.truncated_normal((n_inputs, n_neurons), stddev=stddev)
#设置权重和偏置
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。