搭建模块化的神经网络八股:

前向传播就是搭建网络，设计网络结构（forward.py）

一般新建一个forward.py文件来描述前向传播过程，一般包括下面几个函数：

def forward(x, regularizer): """ 定义了前向传播过程 :param x: 输入x :param regularizer: 正则化权重 :return: 返回y """ w = b = y = return y def get_weight(shape, regularizer): w = tf.Variable( ) tf.add_to_collection('losses', tf.contrib.layers.l2_regularizer(regularizer)(w)) return w def get_bias(shape): b = tf.Variable( ) return b 

反向传播就是训练网络，优化网络参数（backward.py）

同样，一般新建一个backward.py文件来描述反向传播过程，一般包含以下内容：

def backward(): x = tf.placehoder( ) y_ = tf.placehoder( ) y = forward.forward(x, REGULARIZER) global_step = tf.Variable(0, trainable=False) loss = 

正则化过程

loss可以是y与y_的差距(loss_mse)=tf.reduce_mean(tf.square(y-y_))

也可以是：
ce=tf.nn.sparse_softmax_cross_entropy_with_logits(logite=y, labels=tf.argmax(y_, 1))

y与y_的差距(cem) = tf.reduce_mean(ce)

加入正则化后：

loss = y与y_的差距 + tf.add_n(tf.get_colection('losses)) 

指数衰减学习率：（如果要使用，加下面的代码）

learning_rate = tf.train.exponential_decay( LEARNING_RATE_BASE, global_step, 数据集总样本数/BATCH_SIZE, LEARNING_RATE_DECAY, staircase=True ) 

train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss, global_step=global_step) 

滑动平均：（如果要使用，加下面代码）

ema = tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY, global_step) ema_op = ema.apply(tf.trainable_variables()) # tf.trainable_variables()是所有待训练参数 with tf.control_dependencies([train_step,ema_op]): train_op = tf.no_op(name='train') 

with tf.Session() as sess: # 初始化 init_op = tf.global_variables_initializer() sess.run(init_op) for i in range(STEPS): sess.run(train_step, feed_dict={x: ,y_: }) if i % 轮数 == 0: print () if __name__=='__main__': backward()