Question

我从Tensorflow开始，到目前为止，我只处理了带有少量隐藏层的``浅''前馈网络或神经网络，它们的对应W以这种方式单独定义（示例对应到具有五个隐藏层的网络的初始化）：

  W1 = tf.Variable(tf.truncated_normal([784,200], mean=0.0, stddev=0.1))
  W2 = tf.Variable(tf.truncated_normal([200,100], mean=0.0, stddev=0.1))
  W3 = tf.Variable(tf.truncated_normal([100,60], mean=0.0, stddev=0.1))
  W4 = tf.Variable(tf.truncated_normal([60,30], mean=0.0, stddev=0.1))
  W5 = tf.Variable(tf.truncated_normal([30,10], mean=0.0, stddev=0.1))
  b1 = tf.Variable(tf.truncated_normal([200]))
  b2 = tf.Variable(tf.truncated_normal([100]))
  b3 = tf.Variable(tf.truncated_normal([60]))
  b4 = tf.Variable(tf.truncated_normal([30]))
  b5 = tf.Variable(tf.truncated_normal([10]))

我的问题是是否存在任何机制将神经网络的深度作为超参数传递（同时指定每层节点的数量），以便在处理更深层的网络时可以避免此步骤。 / p>

在此先感谢您，祝您周末愉快。

Answer 1

我不知道有一个函数可以获取图层大小列表并输出前馈网络，但是如果您使用Tensorflow中包含的Keras API，则编写该函数将是一个相对简单的函数

https://www.tensorflow.org/tutorials/keras/basic_classification

您可以编写一个函数，该函数采用图层大小和非线性（relu，Sigmoid等）的列表，并使用keras.Sequential类输出前馈网络。 Keras是用于创建神经网络的高级API，并且已经包含在Tensorflow中。此外，Tensorflow致力于使其在v2.0（https://medium.com/tensorflow/standardizing-on-keras-guidance-on-high-level-apis-in-tensorflow-2-0-bad2b04c819a）

中更加集中

tf.Variables的定义（使用列表？）

1 个答案: