我正在尝试在TensorFlow中实现一个非常基本的神经网络，但是我遇到了一些问题。这是一个非常基本的网络，它以两个值（睡眠时间和学习时间）作为输入，并预测测试成绩（我在you-tube上找到了这个例子）。因此，我只有一个带有三个单元的隐藏层，每个单元都计算一个激活函数（sigmoid），成本函数是平方误差的总和，并使用梯度下降来最小化它。问题在于，当我用训练数据训练网络并尝试使用相同的训练数据进行一些预测时，结果并不完全匹配，它们看起来也很奇怪，因为它们彼此相等。
import tensorflow as tf
import numpy as np
import input_data
sess = tf.InteractiveSession()
# create a 2-D version of input for plotting
trX = np.matrix(([3,5], [5,1],[10,2]), dtype=float)
trY = np.matrix(([85], [82], [93]), dtype=float) # 3X1 matrix
trX = trX / np.max(trX, axis=0)
trY = trY / 100 # 100 is the maximum score allowed
teX = np.matrix(([3,5]), dtype=float)
teY = np.matrix(([85]), dtype=float)
teX = teX/np.amax(teX, axis=0)
teY = teY/100
def init_weights(shape):
return tf.Variable(tf.random_normal(shape, stddev=0.01))
def model(X, w_h, w_o):
z2 = tf.matmul(X, w_h)
a2 = tf.nn.sigmoid(z2) # this is a basic mlp, think 2 stacked logistic regressions
z3 = tf.matmul(a2, w_o)
yHat = tf.nn.sigmoid(z3)
return yHat # note that we dont take the softmax at the end because our cost fn does that for us
X = tf.placeholder("float", [None, 2])
Y = tf.placeholder("float", [None, 1])
W1 = init_weights([2, 3]) # create symbolic variables
W2 = init_weights([3, 1])
sess.run(tf.initialize_all_variables())
py_x = model(X, W1, W2)
cost = tf.reduce_mean(tf.square(py_x - Y))
train_op = tf.train.GradientDescentOptimizer(0.5).minimize(cost) # construct an optimizer
predict_op = py_x
sess.run(train_op, feed_dict={X: trX, Y: trY})
print sess.run(predict_op, feed_dict={X: trX})
sess.close()
它得到的结果为：
[[ 0.51873487] [ 0.51874501] [ 0.51873082]]
我相信这些结果应该与训练数据的结果相似。
我对神经网络和机器学习还比较新，如有错误敬请谅解，谢谢。