摘要：接下來，是很關(guān)鍵的一步，如何讓機器學(xué)習(xí)提升它的準確率。機器學(xué)習(xí)的內(nèi)容是用來每一次的數(shù)據(jù)，逐步提升神經(jīng)網(wǎng)絡(luò)的預(yù)測準確性。每步我們輸出一下機器學(xué)習(xí)的誤差。

經(jīng)過前期的學(xué)習(xí)，這一節(jié)來學(xué)習(xí)稍微綜合一點的，建造一個完整的神經(jīng)網(wǎng)絡(luò)，包括添加神經(jīng)層,計算誤差,訓(xùn)練步驟,判斷是否在學(xué)習(xí)。

構(gòu)造添加一個神經(jīng)層的函數(shù)。

def add_layer(inputs, in_size, out_size, activation_function=None):
    Weights = tf.Variable(tf.random_normal([in_size, out_size]))
    biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)
    Wx_plus_b = tf.matmul(inputs, Weights) + biases
    if activation_function is None:
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b)
    return outputs

構(gòu)建所需的數(shù)據(jù)。 這里的x_data和y_data并不是嚴格的一元二次函數(shù)的關(guān)系，因為我們多加了一個noise,這樣看起來會更像真實情況。

x_data = np.linspace(-1,1,300, dtype=np.float32)[:, np.newaxis]
noise = np.random.normal(0, 0.05, x_data.shape).astype(np.float32)
y_data = np.square(x_data) - 0.5 + noise

利用占位符定義我們所需的神經(jīng)網(wǎng)絡(luò)的輸入。 tf.placeholder()就是代表占位符，這里的None代表無論輸入有多少都可以，因為輸入只有一個特征，所以這里是1。

xs = tf.placeholder(tf.float32, [None, 1])
ys = tf.placeholder(tf.float32, [None, 1])

接下來，我們就可以開始定義神經(jīng)層了。 通常神經(jīng)層都包括輸入層、隱藏層和輸出層。這里的輸入層只有一個屬性， 所以我們就只有一個輸入；隱藏層我們可以自己假設(shè)，這里我們假設(shè)隱藏層有10個神經(jīng)元； 輸出層和輸入層的結(jié)構(gòu)是一樣的，所以我們的輸出層也是只有一層。 所以，我們構(gòu)建的是——輸入層1個、隱藏層10個、輸出層1個的神經(jīng)網(wǎng)絡(luò)。

下面，我們開始定義隱藏層,利用之前的add_layer()函數(shù)，這里使用 Tensorflow 自帶的激勵函數(shù)tf.nn.relu。

l1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu)

接著，定義輸出層。此時的輸入就是隱藏層的輸出——l1，輸入有10層（隱藏層的輸出層），輸出有1層。

prediction = add_layer(l1, 10, 1, activation_function=None)

計算預(yù)測值prediction和真實值的誤差，對二者差的平方求和再取平均。

loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),
                     reduction_indices=[1]))

接下來，是很關(guān)鍵的一步，如何讓機器學(xué)習(xí)提升它的準確率。tf.train.GradientDescentOptimizer()中的值通常都小于1，這里取的是0.1，代表以0.1的效率來最小化誤差loss。

train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

使用變量時，都要對它進行初始化，這是必不可少的。

# init = tf.initialize_all_variables() # tf 馬上就要廢棄這種寫法
init = tf.global_variables_initializer()  # 替換成這樣就好

定義Session，并用 Session 來執(zhí)行 init 初始化步驟。 （注意：在tensorflow中，只有session.run()才會執(zhí)行我們定義的運算。）

sess = tf.Session()
sess.run(init)

下面，讓機器開始學(xué)習(xí)。

比如這里，我們讓機器學(xué)習(xí)1000次。機器學(xué)習(xí)的內(nèi)容是train_step, 用 Session 來 run 每一次 training 的數(shù)據(jù)，逐步提升神經(jīng)網(wǎng)絡(luò)的預(yù)測準確性。 (注意：當(dāng)運算要用到placeholder時，就需要feed_dict這個字典來指定輸入。)

for i in range(1000):
    # training
    sess.run(train_step, feed_dict={xs: x_data, ys: y_data})
每50步我們輸出一下機器學(xué)習(xí)的誤差。

    if i % 50 == 0:
        # to see the step improvement
        print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))

完整代碼：

import tensorflow as tf
import numpy as np

# 構(gòu)造添加神經(jīng)層函數(shù)
def add_layer(inputs, in_size, out_size, activation_function=None):
    Weights = tf.Variable(tf.random_normal([in_size, out_size]))
    biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)
    Wx_plus_b = tf.matmul(inputs, Weights) + biases
    if activation_function is None:
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b)
    return outputs

x_data = np.linspace(-1, 1, 300, dtype=np.float32)[:, np.newaxis]
noise = np.random.normal(0, 0.05, x_data.shape).astype(np.float32)
y_data = np.square(x_data) - 0.5 + noise


# 定義占位符
xs = tf.placeholder(tf.float32, [None, 1])
ys = tf.placeholder(tf.float32, [None, 1])


# 假設(shè)一個輸入層，十個隱藏層，一個輸出層
l1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu)

# 定義輸出層
prediction = add_layer(l1, 10, 1, activation_function=None)

# 計算預(yù)測值prediction和真實值的誤差，對二者差的平方求和再取平均
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction), reduction_indices=[1]))

# 梯度下降
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

# 初始化變量
init = tf.global_variables_initializer()

# Session
sess = tf.Session()
sess.run(init)

# 機器開始學(xué)習(xí)
for i in range(1000):
    # training
    sess.run(train_step, feed_dict={xs:x_data, ys:y_data})
    if i % 50 == 0:
        # to see the step improvement 
        print(sess.run(loss, feed_dict={xs:x_data, ys:y_data}))
    

結(jié)果打?。?/p>

0.19636884
0.012856119
0.008055502
0.0063308137
0.005578088
0.0050883116
0.004656622
0.0043336144
0.0040885494
0.0038989265
0.0037537257
0.0036524797
0.0035737625
0.003509487
0.003454599
0.0034066995
0.0033646119
0.0033249983
0.0032859768
0.0032486534

通過上邊的結(jié)果打印可以看出，誤差在逐漸減小，這說明機器學(xué)習(xí)是有積極的效果的。

注：本文轉(zhuǎn)載自莫煩說TensorFlow