神经网络-反向传播

反向传播

反向传播---->训练参数，在所有参数上使用梯度下降。使NN模型在训练数据上的损失函数最小。
损失函数（loss）：预测值（y）与已知答案（y_）的差距。
均方误差MSE：

$MSE(\bar{y},y)=\frac{\sum_{i=1}^n{(y-\bar{y})}^2}{n}$ , loss=tf.reduce_mean(tf.square(y_-y))

4.反向传播训练方法：以减小loss值为优化目标

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)
选择其中一个就行，学习开始选择一个比较小的值。

5.学习率：决定参数每次更新的幅度

import tensorflow as tf
import numpy as np
SIZE=8#一次喂入数据的组数
seed=23455#基于seed产生随机数
rng=np.random.RandomState(seed)#随机返回32*2(体积和重量)的矩阵，作为数据集（特征），
data=rng.rand(32,2)#设置数据标签
data_lab=[[int(x1+x2<1)] for (x1,x2) in data]#合格为1，不合格为0for j in range(len(data)):print("%d.data:%s ,data_lab:%s"%(j+1,data[j],data_lab[j]))#定义神经网络的输入，参数和输出，定义前向传播的过程
x=tf.compat.v1.placeholder(tf.float32,shape=(None,2))#输入，只知道有两个特征，不知道有多少组数据
y_=tf.compat.v1.placeholder(tf.float32,shape=(None,1))#合格以否的标签，print(x,y_)
w1=tf.Variable(tf.random.normal([2,3],stddev=1,seed=1))
w2=tf.Variable(tf.random.normal([3,1],stddev=1,seed=1))#前向传播过程，通过矩阵相乘实现
a=tf.matmul(x,w1)
y=tf.matmul(a,w2)#定义损失函数及反向传播方法
loss=tf.reduce_mean(tf.square(y-y_))#均方误差计算loss
train_step=tf.compat.v1.train.GradientDescentOptimizer(0.001).minimize(loss)#梯度下降，0.001为学习率
#train_step=tf.train.MomentumOptimizer(0.001,0.9).minimize(loss)
#train_step=tf.train.AdamOptimizer(0.001).minimize(loss)#生成会话，训练STEPS=3000轮
with tf.compat.v1.Session() as sess:init_op=tf.compat.v1.global_variables_initializer()#初始优化前的参数sess.run(init_op)#输入目前（未训练）的参数值print("未训练参数w1:\n",sess.run(w1))print("未训练参数w1:\n",sess.run(w2))steps=3200for i in range(steps):start=(i * SIZE) % 32end=start+SIZEsess.run(train_step,feed_dict={x:data[start:end],y_:data_lab[start:end]})#分段喂入数据total_loss=sess.run(loss,feed_dict={x:data,y_:data_lab})lossData.append(total_loss)if i % 500 == 0:print("After %d training step(s),loss on all data is %g"%(i,total_loss))print('\n')print("训练后参数w1:\n",sess.run(w1))print("训练后参数w2:\n",sess.run(w2))plt.plot(lossData)
plt.show()