使用TensorFlow构建BP神经网络：从Numpy到TF的进阶指南

Evan

发布时间：2026-10-13 | 4人浏览过

原创

本文对比了基于Numpy与TensorFlow构建神经网络的区别，重点讲解如何利用TensorFlow封装特性灵活添加中间层。通过完整代码示例，演示了数据预处理、层定义、损失计算及梯度下降优化的全过程，帮助读者掌握TensorFlow构建多层网络的实战方法。

此前曾有一篇博客详细阐述了在Python环境下基于Numpy搭建神经网络的过程。然而，那个基于Numpy实现的两层神经网络存在局限性，无法直接支持增加网络层数。近期通过观看介绍TensorFlow的视频，学习了利用TensorFlow构建神经网络的新方法，特此整理记录。

TensorFlow在构建封装上更为完善，允许用户任意添加中间层，只要确保维度匹配即可。虽然经过适当修改，基于Numpy的神经网络代码也能实现这一功能，但核心思想在于实现层模型的分离。

import tensorflow as tf  
import numpy as np  
 
def addLayer(inputData,inSize,outSize,activity_function = None): 
  Weights = tf.Variable(tf.random_normal([inSize,outSize]))  
  basis = tf.Variable(tf.zeros([1,outSize])+0.1)  
  weights_plus_b = tf.matmul(inputData,Weights)+basis 
  if activity_function is None: 
    ans = weights_plus_b 
  else: 
    ans = activity_function(weights_plus_b) 
  return ans 
 
 
x_data = np.linspace(-1,1,300)[:,np.newaxis] # 转为列向量 
noise = np.random.normal(0,0.05,x_data.shape) 
y_data = np.square(x_data)+0.5+noise 
 
 
xs = tf.placeholder(tf.float32,[None,1]) # 样本数未知，特征数为1，占位符最后要以字典形式在运行中填入 
ys = tf.placeholder(tf.float32,[None,1]) 
 
l1 = addLayer(xs,1,10,activity_function=tf.nn.relu) # relu是激励函数的一种 
l2 = addLayer(l1,10,1,activity_function=None) 
loss = tf.reduce_mean(tf.reduce_sum(tf.square((ys-l2)),reduction_indices = [1]))#需要向相加索引号，redeuc执行跨纬度操作 
 
train = tf.train.GradientDescentOptimizer(0.1).minimize(loss) # 选择梯度下降法 
 
init = tf.initialize_all_variables() 
sess = tf.Session() 
sess.run(init) 
 
for i in range(10000): 
  sess.run(train,feed_dict={xs:x_data,ys:y_data}) 
  if i%50 == 0: 
    print sess.run(loss,feed_dict={xs:x_data,ys:y_data})

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持本站。