目录

1 神经网络实现过程

（1）tf.Variable(tf.random_normal([2, 3], stddev=2, mean=0,seed=1))# 生成正态分布随机数[3, 1]
（1）

（2）神经网络实现过程

• 准备数据集，提取特征，作为输入喂给神经网络
• 搭建NN结构，从输入到输出（先搭建计算图，再用会话执行）
• 大量特征数据喂给NN，迭代优化NN参数
• 使用训练好的模型预测和分类

  2 前向传播

  2.1 推导过程

  生产一批零件将体积x1和重量x2为特征输入NN，通过NN后输出一个数值。
  
  前向传播过程用TensorFlow描述出来。X是输入为1*2的矩阵；用a = tf.matmul(X,W1)实现输入值与权重的乘积得到第一个计算层a1，用y =tf.matmul(a,W2)实现计算层与第二层权重的乘积，得到输出层结果。
  

  2.2 TensorFlow代码介绍

  （1）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()#计算

  (2)变量初始化：在seee.run函数中用tf.global_variables_initiallizer()

    init_op = tf.global_variables_initializer()#变量初始化
    sess.run(init_op)#计算

  （3）计算图节点运算：在sess.run函数中写入待运算的节点sess.run(y)
  （4）用tf.placeholder占位，在sess.run韩式中用feed_dict喂数据 ```python 喂一组数据： x = tf.placeholder(tf.float32,shape=(1,2))# 这里的2表示输入特征的个数 sess.run(y,feed_dict={x:[[0.5,0.6]]})

喂多组数据 x = tf.placeholder(tf.float32,shape=(None,2))# 这里的2表示输入特征的个数 sess.run(y,feed_dict={x:[[0.5,0.6],[0.2,0.3],[0.3,0.4],[0.4,0.5]]})

<a name="3QD9t"></a>
## 2.3 前向传播代码实现
（1）两层简单神经网络（全连接），直接定义输入
```python
#coding:utf-8
#两层简单神经网络（全连接）
import tensorflow as tf
#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。 
x = tf.constant([[0.7, 0.5]])#定义一个张量等于[1.0,2.0]
w1= tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1))# 生成正态分布随机数[2, 3]
w2= tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1))# 生成正态分布随机数[3, 1]
#定义前向传播过程
a = tf.matmul(x, w1)#点积
y = tf.matmul(a, w2)#点积
#用会话计算结果
with tf.Session() as sess:
    init_op = tf.global_variables_initializer()#变量初始化
    sess.run(init_op)#计算
    print"y in tf3_3.py is:\n",sess.run(y) #打印计算结果
'''
y in tf3_3.py is : 
[[3.0904665]]
'''
# √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

（2）两层简单神经网络（全连接）用placeholder实现输入定义。喂入一组特征。

#coding:utf-8
#两层简单神经网络（全连接）
import tensorflow as tf
#定义输入和参数
#用placeholder实现输入定义 （sess.run中喂一组数据）
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_4.py is:\n",sess.run(y, feed_dict={x: [[0.7,0.5]]})
'''
y in tf3_4.py is:
[[3.0904665]]
'''

（3）两层简单神经网络（全连接）用placeholder实现输入定义。喂入N组特征

#coding:utf-8
#两层简单神经网络（全连接）
import tensorflow as tf
#定义输入和参数
#用placeholder定义输入（sess.run喂多组数据）
x = tf.placeholder(tf.float32, shape=(None, 2))#None表示不知输入的特征数量
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)
#调用会话计算结果
with tf.Session() as sess:
    init_op = tf.global_variables_initializer()  
    sess.run(init_op)
    print "the result of tf3_5.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]]})
    print "w1:\n", sess.run(w1)
    print "w2:\n", sess.run(w2)
'''
the result of tf3_5.py is:
[[ 3.0904665 ]
 [ 1.2236414 ]
 [ 1.72707319]
 [ 2.23050475]]
w1:
[[-0.81131822  1.48459876  0.06532937]
 [-2.4427042   0.0992484   0.59122431]]
w2:
[[-0.81131822]
 [ 1.48459876]
 [ 0.06532937]]
'''