BP神经网络实例及代码分析(python+tensorflow实现)_bp神经网络python代码tensorflow

代码功能：对山东某地区历史温度数据进行BP神经网络训练，通过前三小时温度数据，预测第四小时温度值。

数据来源：2016年4月份山东某地区温度数据，共30*24小时。1日到20日（20*24小时）数据为训练数据集，21到30日（10*24小时）数据为测试数据集。

1.定义神经网络结构及参数

选用典型的三层神经网路（输入层+一层隐含层+输出层），节点数设置为3-7-1，详细参数见程序：

d=3#输入节点个数
l=1#输出节点个数
q=2*d+1#隐层个数,采用经验公式2d+1
train_num=480#训练数据个数
test_num=240#测试数据个数
eta=0.5#学习率
error=0.002#精度

2.初始化权值和阈值

输入层到隐含层的权值为w1，矩阵大小为d*q；隐含层到输出层的权值为w2，矩阵大小为q*l；隐含层阈值为b1，输出层阈值为b2。

w1= tf.Variable(tf.random_normal([d, q], stddev=1, seed=1))#seed设定随机种子，保证每次初始化相同数据
b1=tf.Variable(tf.constant(0.0,shape=[q]))
w2= tf.Variable(tf.random_normal([q, l], stddev=1, seed=1))
b2=tf.Variable(tf.constant(0.0,shape=[l]))

3.构建图

#输入占位
x = tf.placeholder(tf.float32, shape=(None, d))
y_= tf.placeholder(tf.float32, shape=(None, l))
 
#构建图：前向传播
a=tf.nn.sigmoid(tf.matmul(x,w1)+b1)#sigmoid激活函数
y=tf.nn.sigmoid(tf.matmul(a,w2)+b2)
mse = tf.reduce_mean(tf.square(y_ -  y))#损失函数采用均方误差
train_step = tf.train.AdamOp