Linux下用TensorFlow搭建神经网络_在linux上跑神经网络模型需要下编译器吗

一、Linux常用 指令

      桌面点击右键 ，选择 Open Terminal 打开终端 
      pwd ：打印当前在哪个目录
      ls ：列出当前路径下的文件和目录 
      mkdir 目录名： 新建目录
      cd 目录名 ：进到指定目录 进到指定目录

      python ：运行 Python 解释器 

二、 vim 编辑器

      vim 文件名 ：打开或新建文本 
      在 vimvim 中 点击 i 进入插模式 ，可往文本里写内容 
      ESC+ ：+q +回车：退出 vim
      ESC +：+wq+回车：保存更改退出 vim

      ESC +：+q！+回车：不保存更改退出 vim vim

      python b.py :运行文件

三、搭建神经网络

      神经网络的搭建课分四步完成：准备工作、 神经网络的搭建课分四步完成：准备工作、 前向传播、反和循环迭代 。

      神经网络原理见：https://blog.csdn.net/pumpkin_love/article/details/79892874

      举例

      随机产生 32 组生产出的零件体积和重量，训练 3000 轮，每 500 轮输出一次损 失函数。下面我们 通过源代码进一步理解神经网络的实现程 ：

#coding:utf-8
#0导入模块，生成模拟数据集。
import tensorflow as tf
import numpy as np
BATCH_SIZE=8
seed=23455
 
#基于seed产生随机数
rng=np.random.RandomState(seed)
#随机数返回32行2列的矩阵，表示32组体积和质量，作为输入数据集
X=rng.rand(32,2)
#从X这个32行2列的矩阵中取出一行，判断如果和小于1,给Y赋值1；如果和不小于1,给Y赋值0
#作为输入数据集的标签（正确答案）
Y=[[int(x0+x1<1)] for (x0,x1) in X]
print "X:\n",X
print"Y:\n",Y
 
#1定义神经网络的输入，参数和输出，定义前向传播过程
x=tf.placeholder(tf.float32,shape=(None,2))
y_=tf.placeholder(tf.float32,shape=(None,1))
 
w1=tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))
w2=tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))
 
a=tf.matmul(x,w1)
y=tf.matmul(a,w2)
 
#2定义损失函数及反向传播方法
loss=tf.reduce_mean(tf.square(y-y_))
train_step=tf.train.GradientDescentOptimizer(0.001).minimize(loss)
#train_step=tf.train.MomentumOptimzer(0.001,0.9).minimize(loss)
#train_step=tf.train.AdamOptimizer(0.001).minimize(loss)
 
#3生成会话，训练STEPS轮
with tf.Session() as sess:
    init_op=tf.global_variables_initializer()
    sess.run(init_op)
    #输出未经训练的参数取值
    print"w1:\n",sess.run(w1)
    print"w2:\n",sess.run(w2)
    print"\n"
 
    #训练模型
    STEPS=3000
    for i in range(STEPS)
        start=(i*BATCH_SIZE)%32
        end=start+BATCH_SIZE
        sess.run(train_step,feed_dict={x: X[start:end],y_: Y[start:end]})
        if i % 500==0:
            total_loss=sess.run(loss,feed_dict={x: X,y_: Y})
            print("After %d training step(s),loss on all data is %g" % (i,total_loss))
 
    #输出训练后的参数取值
    print"\n"
    print"w1:\n",sess.run(w1)
    print"w2:\n",sess.run(w2)