我尝试使用神经网络实现的任务与其最常见的用法有所不同。我尝试通过优化表示物理属性的网络权重,通过将某些东西从输入层传播到输出层来模拟物理过程。
为此,我需要一个150层网络,其中每一层都具有以下形式的相同属性
mx + b
其中x是我要优化的变量,m是每个图层都相同的外部因素(b暂时未使用)。
我想自动化创建图形的过程,而不是复制/粘贴每个图层。那么,是否存在将第一层的结构复制到所有后续层的功能?
在tensorflow中,它看起来应该像这样:
graph = tf.Graph()
with graph.as_default():
# Input data.
tf_input = tf.placeholder(tf.float32, shape=(n_data, n))
tf_spatial_grid = tf.constant(m_index_mat)
tf_ph_unit = tf.const(m_unit_mat)
tf_output = tf.placeholder(tf.float32, shape=(n_data, n))
# new hidden layer 1
hidden_weights = tf.Variable( tf.truncated_normal([n*n, 1]) )
hidden_layer = tf.nn.matmul( tf.matmul( tf_input, hidden_weights), tf_ph_unit)
# new hidden layer 2
hidden_weights_2 = tf.Variable( tf.truncated_normal([n*n, 1]) )
hidden_layer_2 = tf.nn.matmul( tf.matmul( hidden_layer, hidden_weights_2), tf_ph_unit)
......
# new hidden layer n
hidden_weights_n = tf.Variable( tf.truncated_normal([n*n, 1]) )
hidden_layer_n = tf.nn.matmul( tf.matmul( hidden_layer_m, hidden_weights_n), tf_ph_unit)
...
那么,是否有任何方式可以使该过程自动化?也许我想念一些东西
我非常感谢您的帮助!
最佳答案
实现此目的最简单的方法是创建一个构建图层的函数,并可能多次循环调用该函数。
例如:
def layer(input):
hidden_weights = tf.Variable( tf.truncated_normal([n*n, 1]) )
hidden_layer = tf.nn.matmul( tf.matmul( input, hidden_weights), tf_ph_unit)
return hidden_layer
接着:
input = tf_input
for i in range(10):
input = layer(input)
关于python - 复制/复制具有相同属性的 tensorflow 层以形成图,我们在Stack Overflow上找到一个类似的问题:https://stackoverflow.com/questions/40271585/