我和Tensorflow的美丽邂逅——定义添加层的函数

在今天的博文中，我们先完成构建神经网络中很重要的一步：添加层
我们打算写一个函数来添加层，当你的神经网络有多个隐藏层时，使用函数来添加它们将会十分方便

1. 第一步：

def add_layer(inputs, input_size, output_size, activation_function = None):......

• 第一个参数inputs：输入的数据
• 二个参数input_size：前一层的维度，也就是前一层的神经元数量，对于输入层而言，如果输入数据只有一个
• 第三个参数output_size：该层的维度，也就是该层的神经元数量
• 第四个参数activation_function：激活函数，默认值为None，也就是使用线性函数

2. 第二步：处理权重和偏置

def add_layer(inputs, input_size, output_size, activation_function = None):Weights = tf.Variable(tf.random_normal([input_size, output_size]))biases = tf.Variable(tf.zeros([1, output_size] + 0.1)    #偏置最好不为0，所以我们给他加个0.1......

3. 第三步：先表示线性关系

def add_layer(inputs, input_size, output_size, activation_function = None):Weights = tf.Variable(tf.random_normal([input_size, output_size]))biases = tf.Variable(tf.zeros([1, output_size] + 0.1)Wx_plus_b = tf.matmul(inputs, Weights) + biases

4. 第四步：处理激活函数的问题

def add_layer(inputs, input_size, output_size, activation_function = None):Weights = tf.Variable(tf.random_normal([input_size, output_size]))biases = tf.Variable(tf.zeros([1, output_size] + 0.1)Wx_plus_b = tf.matmul(inputs, Weights) + biases   #特别注意矩阵乘法的顺序if activation_function == None:   #若没有激活函数，那么就是线性关系outputs = Wx_plus_belse:outputs = activation_function(Wx_plus_b)   #如果有激活函数就把他套上return outputs

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！