一、神经网络的参数
√神经网络的参数：是指神经元线上的权重 w，用变量表示，一般会先随机生成
这些参数。生成参数的方法是让w等于tf.Variable，把生成的方式写在括号里。
神经网络中常用的生成随机数/数组的函数有：
tf.random_normal() 生成正态分布随机数
tf.truncated_normal() 生成去掉过大偏离点的正态分布随机数
tf.random_uniform() 生成均匀分布随机数
tf.zeros 表示生成全 0 数组
tf.ones 表示生成全 1 数组
tf.fill 表示生成全定值数组
tf.constant 表示生成直接给定值的数组
举例
① w=tf.Variable(tf.random_normal([2,3],stddev=2, mean=0, seed=1))，表
示生成正态分布随机数，形状两行三列，标准差是 2，均值是 0，随机种子是 1。
② w=tf.Variable(tf.Truncated_normal([2,3],stddev=2, mean=0, seed=1))，
表示去掉偏离过大的正态分布，也就是如果随机出来的数据偏离平均值超过两个
标准差，这个数据将重新生成。
③ w=random_uniform(shape=7,minval=0,maxval=1,dtype=tf.int32，seed=1),
表示从一个均匀分布[minval maxval)中随机采样，注意定义域是左闭右开，即
包含 minval，不包含 maxval。
④ 除了生成随机数，还可以生成常量。tf.zeros([3,2],int32)表示生成
[[0,0],[0,0],[0,0]]；tf.ones([3,2],int32)表示生成[[1,1],[1,1],[1,1]；
tf.fill([3,2],6)表示生成[[6,6],[6,6],[6,6]]；tf.constant([3,2,1])表示
生成[3,2,1]。
注意：①随机种子如果去掉每次生成的随机数将不一致。
②如果没有特殊要求标准差、均值、随机种子是可以不写的。
二、神经网络的搭建
当我们知道张量、计算图、会话和参数后，我们可以讨论神经网络的实现过程了。
√神经网络的实现过程：
1、准备数据集，提取特征，作为输入喂给神经网络（Neural Network，NN）
2、搭建 NN 结构，从输入到输出（先搭建计算图，再用会话执行）
（ NN 前向传播算法 计算输出）
3、大量特征数据喂给 NN，迭代优化 NN 参数
（ NN 反向传播算法 优化参数训练模型）
4、使用训练好的模型预测和分类
由此可见，基于神经网络的机器学习主要分为两个过程，即训练过程和使用过程。
训练过程是第一步、第二步、第三步的循环迭代，使用过程是第四步，一旦参数
优化完成就可以固定这些参数，实现特定应用了。
很多实际应用中，我们会先使用现有的成熟网络结构，喂入新的数据，训练相应
模型，判断是否能对喂入的从未见过的新数据作出正确响应，再适当更改网络结
构，反复迭代，让机器自动训练参数找出最优结构和参数，以固定专用模型。
三、前向传播
√前向传播就是搭建模型的计算过程，让模型具有推理能力，可以针对一组输入
给出相应的输出。
举例
假如生产一批零件，体积为 x1，重量为 x2，体积和重量就是我们选择的特征，
把它们喂入神经网络，当体积和重量这组数据走过神经网络后会得到一个输出。
假如输入的特征值是：体积 0.7 重量 0.5
由搭建的神经网络可得，隐藏层节点 a11=x1* w11+x2*w21=0.14+0.15=0.29，同
理算得节点 a12=0.32，a13=0.38，最终计算得到输出层 Y=-0.015，这便实现了
前向传播过程。
√推导：
第一层
√X 是输入为 1X2 矩阵
用 x 表示输入，是一个 1 行 2 列矩阵，表示一次输入一组特征，这组特征包含了
体积和重量两个元素。
√W 前节点编号，后节点编号(层数) 为待优化的参数
对于第一层的 w 前面有两个节点，后面有三个节点 w 应该是个两行三列矩阵，
我们这样表示：
√神经网络共有几层（或当前是第几层网络）都是指的计算层，输入不是计算层，
所以 a 为第一层网络，a 是一个一行三列矩阵。
我们这样表示：
a(1)=[a11, a12, a13]=XW(1)
第二层
√参数要满足前面三个节点，后面一个节点，所以 W(2) 是三行一列矩阵。
我们这样表示：
我们把每层输入乘以线上的权重 w，这样用矩阵乘法可以计算出输出 y 了。
a= tf.matmul(X, W1)
y= tf.matmul(a, W2)
由于需要计算结果，就要用 with 结构实现，所有变量初始化过程、计算过程都
要放到 sess.run 函数中。对于变量初始化，我们在 sess.run 中写入
tf.global_variables_initializer 实现对所有变量初始化，也就是赋初值。对
于计算图中的运算，我们直接把运算节点填入 sess.run 即可，比如要计算输出
y，直接写 sess.run(y) 即可。
在实际应用中，我们可以一次喂入一组或多组输入，让神经网络计算输出 y，可
以先用 tf.placeholder 给输入占位。如果一次喂一组数据 shape 的第一维位置
写 1，第二维位置看有几个输入特征；如果一次想喂多组数据，shape 的第一维
位置可以写 None 表示先空着，第二维位置写有几个输入特征。这样在 feed_dict
中可以喂入若干组体积重量了。
√前向传播过程的 tensorflow 描述：
√变量初始化、计算图节点运算都要用会话（with 结构）实现
with tf.Session() as sess:
sess.run()
√变量初始化：在 sess.run 函数中用 tf.global_variables_initializer()汇
总所有待优化变量。
init_op = tf.global_variables_initializer()
sess.run(init_op)
√计算图节点运算：在 sess.run 函数中写入待运算的节点
sess.run(y)
√用 tf.placeholder 占位，在 sess.run 函数中用 feed_dict 喂数据
喂一组数据：
x = tf.placeholder(tf.float32, shape=(1, 2))
sess.run(y, feed_dict={x: [[0.5,0.6]]})
喂多组数据：
x = tf.placeholder(tf.float32, shape=(None, 2))
sess.run(y, feed_dict={x: [[0.1,0.2],[0.2,0.3],[0.3,0.4],[0.4,0.5]]})
举例
这是一个实现神经网络前向传播过程，网络可以自动推理出输出 y 的值。
①用 placeholder 实现输入定义（sess.run 中喂入一组数据）的情况
第一组喂体积 0.7、重量 0.5
coding:utf-8
import tensorflow as tf
定义输入和参数
x=tf.placeholder(tf.float32,shape=(1,2))
w1=tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))
w2=tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))
定义前向传播过程
a=tf.matmul(x,w1)
y=tf.matmul(a,w2)
用会话计算结果
with tf.Session() as sess:
init_op=tf.global_variables_initializer()
sess.run(init_op)
print ”y in tf3_3.py is:\n”,sess.run(y,feed_dict={x:[[0.7,0.5]]})
②用 placeholder 实现输入定义（sess.run 中喂入多组数据）的情况
第一组喂体积 0.7、重量 0.5，第二组喂体积 0.2、重量 0.3，第三组喂体积 0.3 、
重量 0.4，第四组喂体积 0.4、重量 0.5.
coding:utf-8
import tensorflow as tf
定义输入和参数
x=tf.placeholder(tf.float32,shape=(None,2))
w1=tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))
w2=tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))
定义前向传播过程
a=tf.matmul(x,w1)
y=tf.matmul(a,w2)
用会话计算结果
with tf.Session() as sess:
init_op=tf.global_variables_initializer()
sess.run(init_op)
print”y in tf3_4.py is:\n”,sess.run(y,feed_dict={x:[[0.7,0.5],
[0.2,0.3],[0.3,0.4]，[0.4,0.5]]})
3.3
一、反向传播
√反向传播：训练模型参数，在所有参数上用梯度下降，使 NN 模型在训练数据
上的损失函数最小。
√损失函数（loss）：计算得到的预测值 y 与已知答案 y_的差距。
损失函数的计算有很多方法，均方误差 MSE 是比较常用的方法之一。
√均方误差 MSE：求前向传播计算结果与已知答案之差的平方再求平均。
用 tensorflow 函数表示为：
loss_mse = tf.reduce_mean(tf.square(y_ - y))
√反向传播训练方法：以减小 loss 值为优化目标，有梯度下降、momentum 优化
器、adam 优化器等优化方法。
这三种优化方法用 tensorflow 的函数可以表示为：
train_step=tf.train.GradientDescentOptimizer(learning_rate).minimize(loss)
train_step=tf.train.MomentumOptimizer(learning_rate, momentum).minimize(loss)
train_step=tf.train.AdamOptimizer(learning_rate).minimize(loss)
三种优化方法区别如下：
①tf.train.GradientDescentOptimizer()使用随机梯度下降算法，使参数沿着
梯度的反方向，即总损失减小的方向移动，实现更新参数。
二、搭建神经网络的八股
我们最后梳理出神经网络搭建的八股，神经网络的搭建课分四步完成：准备工作、
前向传播、反向传播和循环迭代。
√0.导入模块，生成模拟数据集；
import
常量定义
生成数据集
√1.前向传播：定义输入、参数和输出
x= y_=
w1= w2=
a= y=
√2. 反向传播：定义损失函数、反向传播方法
loss=
train_step=
√3. 生成会话，训练 STEPS 轮
with tf.session() as sess
Init_op=tf. global_variables_initializer()
sess_run(init_op)
STEPS=3000
for i in range(STEPS):
start=
end=
sess.run(train_step, feed_dict:)
举例
随机产生 32 组生产出的零件的体积和重量，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过程：
0.导入模块，生成模拟数据集；
1.定义神经网络的输入、参数和输出，定义前向传播过程；
- 定义损失函数及反向传播方法
3.生成会话，训练 STEPS 轮
由神经网络的实现结果，我们可以看出，总共训练 3000 轮，每轮从 X 的数据集
和 Y 的标签中抽取相对应的从 start 开始到 end 结束个特征值和标签，喂入神经
网络，用 sess.run 求出 loss，每 500 轮打印一次 loss 值。经过 3000 轮后，我
们打印出最终训练好的参数 w1、w2。
这样四步就可以实现神经网络的搭建了。