TensorFlow基础（二）——前向传播

清疚 2021-12-19 16:21 317阅读 0赞

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3NzY0MTI5_size_16_color_FFFFFF_t_70][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3NzY0MTI5_size_16_color_FFFFFF_t_70 1][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3NzY0MTI5_size_16_color_FFFFFF_t_70 2][]

代码实现：

#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
    x = tf.constant([[0.7, 0.5]]) #用一行两列的二维张量表示x的体积和重量
    w1 = tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1)) 2行3列组成的随机矩阵，标准差为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) #a = x与w1的矩阵乘法
    y = tf.matmul(a, w2)
    
    #用会话计算结果
    with tf.Session() sa sess:
        init_op = tf.global_variables_initializer()
        sess.run(init_op) #初始化所有节点
        print("y in tf3_3.py is:\n",sess.run(y))

计算结果：

![20190630181628330.png][]

--------------------

## 在sess.run()中喂入一组数据 ##

#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
    x = tf.placeholder(tf.float32, shape=(1,2)) #用placeholder定义输入，可以在with中喂入一组输入特征，方便批量处理，x时1行2列
    w1 = tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1)) 2行3列组成的随机矩阵，标准差为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) #a = x与w1的矩阵乘法
    y = tf.matmul(a, w2)
    
    #用会话计算结果
    with tf.Session() sa sess:
        init_op = tf.global_variables_initializer()#初始化所有节点
        sess.run(init_op) #进行计算
        print("y in tf3_3.py is:\n",sess.run(y, feed_dict={x: [[0.7, 0.5]]})) #喂入x的一组特征

结果：

![20190630182243883.png][]

--------------------

## 在sess.run()中喂入一组数据 ##

#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
    x = tf.placeholder(tf.float32, shape=(None,2)) #用placeholder定义输入，可以在with中喂入多组输入特征，方便批量处理，x时1行2列。2：表示体积和重量这俩特征
    w1 = tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1)) 2行3列组成的随机矩阵，标准差为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) #a = x与w1的矩阵乘法
    y = tf.matmul(a, w2)
    
    #用会话计算结果
    with tf.Session() sa sess:
        init_op = tf.global_variables_initializer()#初始化所有节点
        sess.run(init_op) #进行计算
        print("y in tf3_3.py is:\n",sess.run(y, feed_dict={x: [[0.7, 0.5], [0.2, 0.3], [0.4, 0.5], [.05, 0.8]]})) #喂入x的一组特征
        print("w1:\n", sess.run(w1)
        print("w2:\n", sess.run(w2)

run会根据这四组特征计算出四种值

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3NzY0MTI5_size_16_color_FFFFFF_t_70 3][]

参考：

[【北京大学】人工智能实践：Tensorflow笔记][Tensorflow]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3NzY0MTI5_size_16_color_FFFFFF_t_70]: /images/20211219/d059e5bb44694b5b9ed01bf450747764.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3NzY0MTI5_size_16_color_FFFFFF_t_70 1]: /images/20211219/b09f426898424c3e81d65e5b9c63399e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3NzY0MTI5_size_16_color_FFFFFF_t_70 2]: /images/20211219/6813fb62ad4e46c0a605f5a1dd11e2fc.png
[20190630181628330.png]: /images/20211219/c133eddfe3034b4683798a78f27f589f.png
[20190630182243883.png]: /images/20211219/ba3d265e89334ca8a6b9f12bd686ec89.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3NzY0MTI5_size_16_color_FFFFFF_t_70 3]: /images/20211219/1a57e7974ad64aad892cd75d90696234.png
[Tensorflow]: https://www.bilibili.com/video/av22530538