tensorflow进阶篇-5(反向传播1)

　　这里将讲解tensorflow是如何通过计算图来更新变量和最小化损失函数来反向传播误差的；这步将通过声明优化函数来实现。一旦声明好优化函数，tensorflow将通过它在所有的计算图中解决反向传播的项。当我们传入数据，最小化损失函数，tensorflow会在计算图中根据状态相应的调节变量。

　　这里先举一个简单的例子，从均值1，标准差为0.1的正态分布中随机抽样100个数，然后乘以变量A，损失函数L2正则函数，也就是实现函数X*A=target，X为100个随机数，target为10，那么A的最优结果也为10。

　　实现如下：

import matplotlib.pyplot as plt
import numpy as np
import tensorflow as tf
from tensorflow.python.framework import ops

ops.reset_default_graph()

# 创建计算图
sess = tf.Session()

#生成数据，100个随机数x_vals以及100个目标数y_vals
x_vals = np.random.normal(1, 0.1, 100)
y_vals = np.repeat(10., 100)
#声明x_data、target占位符
x_data = tf.placeholder(shape=[1], dtype=tf.float32)
y_target = tf.placeholder(shape=[1], dtype=tf.float32)

# 声明变量A
A = tf.Variable(tf.random_normal(shape=[1]))

#乘法操作，也就是例子中的X*A
my_output = tf.multiply(x_data, A)

#增加L2正则损失函数
loss = tf.square(my_output - y_target)

# 初始化所有变量
init = tf.initialize_all_variables()
sess.run(init)

#声明变量的优化器；大部分优化器算法需要知道每步迭代的步长，这距离是由学习控制率。
my_opt = tf.train.GradientDescentOptimizer(0.02)
train_step = my_opt.minimize(loss)

#训练,将损失值加入数组loss_batch
loss_batch = []
for i in range(100):
    rand_index = np.random.choice(100)
    rand_x = [x_vals[rand_index]]
    rand_y = [y_vals[rand_index]]
    sess.run(train_step, feed_dict={x_data: rand_x, y_target: rand_y})
    print('Step #' + str(i + 1) + ' A = ' + str(sess.run(A)))
    print('Loss = ' + str(sess.run(loss, feed_dict={x_data: rand_x, y_target: rand_y})))
    temp_loss = sess.run(loss, feed_dict={x_data: rand_x, y_target: rand_y})
    loss_batch.append(temp_loss)

plt.plot( loss_batch, 'r--', label='Batch Loss, size=20')
plt.legend(loc='upper right', prop={'size': 11})
plt.show()

输出结果(输出A以及对应的损失函数)：

Step #1 A = [ 0.08779037]
Loss = [ 98.3597641]
Step #2 A = [ 0.48817557]
Loss = [ 90.38272095]
Step #3 A = [ 0.85985768]
Loss = [ 83.92495728]
Step #4 A = [ 1.289047]
Loss = [ 71.54370117]

.........

Step #98 A = [ 10.10386372]
Loss = [ 0.00271681]
Step #99 A = [ 10.10850525]
Loss = [ 0.01301978]
Step #100 A = [ 10.07686806]
Loss = [ 0.5048126]

对于损失函数看这里：tensorflow进阶篇-4(损失函数1)，tensorflow进阶篇-4(损失函数2)，tensorflow进阶篇-4(损失函数3)