1.Tensorflow的概述原理：
tensorflow的使用类似于一种框架定义，在使用tensorflow定义变量variable，和占位符tensorflow.placeholder()的时候，给出的是一种框架的定义。只有在会话控制模块tensorflow.session中调用run()，才能让对应的语句真正的执行。
这里关于tensorflow有一个很重要的计算图的概念，意思就是在你声明的一些框架变量之后，对变量的相关计算操作都会被连接，绘制成一个计算图，叶子结点就是你声明的一些参数变量，也是你最后要进行优化的参数，在计算图绘制完成之后，在会话控制模块对计算图的根节点进行反向追踪，才能对变量进行优化，计算图的构造是自然而然的，不需要程序员操心，这只是一个概念
这里我们基于sklearn中的莺尾花数据集进行三层全连接的神经网络搭建，数据集的导入不做详细介绍
第一步：因为我们要进行分类模型的训练，首先我们需要利用tensorflow的one_hot()独热编码函数，将数据集的label集编码成为对应编码集。one_hot（）中有两个核心的参数要传入，第一个就是待编码的列表格式的label集，第二个就是depth（也就是数据集是几分类就传几）。需要注意的是，这里的独热编码对象是一个列表！！！是一个列表！！列表！！重要的说三遍，函数会对传入的列表的每一个元素进行编码，如果是三分类且label为2的话就是[0,0,1]。
第二步：我们需要定义我们计算要的参数
1.输入集，input=tensorflow.placeholder(dtype,shape)，两个参数分别是你输入集的元素的数据类型是什么，和输入集的维度是什么，如果shape=[None,4],None表示该维度是任意的。这里注意你的dtype在进行后面的矩阵乘法的时候要和权重相一致
2.声明权重：输入层到隐含层权重声明为V=tensorflow.variable()，隐含层到输出层权重声明为W=tensorflow.variable(),函数参数是放入你要成为变量的tensor，注意tensorflow的变量默认的数据类型是float32，并且，能成为变量的都是后面我们需要进行优化的神经网络参数，不是啥都放入变量里面去
第三步：通过定义的参数变量构造一个到损失函数的计算图
3.进行前向计算，输出层的predict经过tensorflow.matmul(input,v)，在经过一个激活函数，在和W进行矩阵相乘运算，在经过一个激活函数，也可以不经过输出predict。此时已经以input，V和W为叶子结点构造了一个到达predict的计算图，
4.在定义一个损失函数loss，最后选择一个优化器，这里我们选择的是tensorflow.train中的梯度下降优化器，最后利用优化器的minimum（loss，var_grad=[]）最小化损失函数,注意，这里有一个很重要的参数var_gard，这里就是传入你要进行梯度下降更新的变量都有哪些，可以通过列表传入，minimum（）封装了求解梯度，自动更新梯度的工作。
第四步：写会话控制模块，一般利用with tensorflow.Session() as sess:开头进入会话模块，里面调用sess.run(loss),sess.run(优化器工作)等等来执行框架语句。注意！！注意！！这里的sess.run()只是启动语句的执行，它是可以返回执行完的结果的，一般我们把要继续分析的数据计算出来之后要放到一个正常的python变量里面去，如果没有保存下来，就只是单纯的执行了一下语句而已，没有任何效果。
最后我们在一个for循环里面执行一定次数的sess.run(优化器工作)的语句就可以实现很好的参数权重优化了。
Original: https://blog.csdn.net/For_Future_l/article/details/124281504
Author: For_Future_l
Title: 利用Tensorflow实现三层全连接的神经网络
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/690916/
转载文章受原作者版权保护。转载请注明原作者出处！