1
例如,以下代碼是否沒有執行錯誤?可以使用內置張量函數作爲神經網絡的激活嗎?
import tensorflow as tf
x_data = [1, 2, 3]
y_data = [1, 2, 3]
W = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
b = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
X = tf.placeholder(tf.float32, name="X")
Y = tf.placeholder(tf.float32, name="Y")
hypothesis = tf.maximum(tf.add(tf.mul(W, X), b),0)
cost = tf.reduce_mean(tf.square(hypothesis - Y))
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.1)
train_op = optimizer.minimize(cost)
_, cost_val = tf.Session.run([train_op, cost], feed_dict={X: x_data, Y: y_data})
注意在上面的代碼中,我使用`tf.maximum(tf.add(tf.mul(W,X),b)中,0)作爲到我不能肯定的其可執行性,因爲我不知道tf.maximum可以計算反向傳播。
更常見的問題是,是否可以通過tf.Session中的反向傳播來訓練由內置張量函數構造的任何激活函數?
我的問題換句話說,每張張量數學運算都帶有梯度信息嗎?
我認爲[tf.nn.relu_layer(https://www.tensorflow.org/api_docs/python/tf/nn/relu_layer)就是你想? – xxi
@xxi不一般。 – julypraise