Python 使用TensorFlow编写函数

所以我对TensorFlow很陌生，所以我的问题可能有点愚蠢或明显。所以我使用函数在TensorFlow中编写了一个小而简单的代码。基本上，我读取1000个参数，并将其存储在一个numpy数组中，然后将其通过一个带有2个隐藏层的NN。这是我的密码：

将tensorflow导入为tf
将numpy作为np导入
随机输入
pc=open（“../data/pcNum.txt”，“r”）
npc=open（“../data/npcNum.txt”，“r”）
lines1=pc.readlines（）
lines2=npc.readlines（）
尺寸=200
学习率=0.01
纪元=200
trainDataset=np.array（[]）
labels=np.array（[]）
列车列表=[]
def阵列Y（顺序）：
seq=np.数组（[]）
对于范围（0，len（序列））中的i：
seq=np.append（seq，int（序列[i]））
返回顺序
对于范围内的i（0，大小）：
序列=lines1[i].strip（）
列车列表追加（（顺序，1））
序列=lines2[i].strip（）
列车列表追加（（序列，0））
随机。随机（列车列表）
对于列车列表中的i：
seq=arrayfy（i[0]）
trainDataset=np.append（trainDataset，seq）
如果（i[1]==0）：
label=np.array（[0，1]）
其他：
label=np.array（[1，0]）
labels=np.append（标签，标签）
trainDataset=trainDataset.重塑（（2*大小，1000））
trainDataset=trainDataset.T
labels=np.transpose（labels.reformate（-1,2）））
dataset=np.asarray（trainDataset，np.float32）
labels=np.asarray（labels，np.float32）
dataset=tf.convert_to_tensor（dataset，tf.float32）
#labels=tf.convert_to_tensor（labels，tf.float32）
#TensorFlow代码的开始
l1_节点=100
l2_节点=100
out_节点=2
权重（l1=tf.get）变量（“权重（l1）”，数据类型=tf.float32，初始值设定项=tf.random\u normal（（1000，l1节点），平均值=0.0，stddev=1.0））
权重（l2=tf.get_变量（'weights_l2'，dtype=tf.float32，initializer=tf.random_normal（（l1_节点，l2_节点），mean=0.0，stddev=1.0））
weights\u out=tf.get\u变量（'weights\u out'，dtype=tf.float32，initializer=tf.random\u normal（（l2\u节点，2），mean=0.0，stddev=1.0））
bias_l1=tf.get_变量（'bias_l1'，dtype=tf.float32，初始值设定项=tf.constant（0.0））
bias_l2=tf.get_变量（'bias_l2'，dtype=tf.float32，初始值设定项=tf.constant（0.0））
bias\u out=tf.get\u变量（'bias\u out'，dtype=tf.float32，初始值设定项=tf.constant（0.0））
“”“a1=tf.placeholder（dtype=tf.float32，name='a1'）
a2=tf.placeholder（dtype=tf.float32，name='a2'）
z_out=tf.placeholder（dtype=tf.float32，name='z_out'）
假设=tf.placeholder（dtype=tf.float32，name=‘假设’）“”“
def正向传播（数据集、权重_l1、偏差_l1、权重_l2、偏差_l2、权重_out、偏差_out）：
a1=tf.sigmoid（tf.tensordot（tf.transpose（weights_l1），数据集，轴=1）+偏差_l1）
a2=tf.sigmoid（tf.tensordot（tf.transpose（weights_l2），a1，axes=1）+bias_l2）
z_out=tf.tensordot（tf.transpose（weights_out），a2，axes=1）+bias_out
返回z_out
熵=tf.nn.softmax_交叉熵_与_logits_v2（logits=z\u out，labels=labels，name='cross\u entropy'））
损失=tf.减少平均值（熵，名称=‘损失’）
优化器=tf.train.AdamOptimizer（学习率）。最小化（损失）
假设=tf.nn.softmax（z_out）
正确的_preds=tf.equal（tf.argmax（假设，0），tf.argmax（标签，0））
准确度=tf.减少总和（tf.cast（正确的preds，tf.float32））
writer=tf.summary.FileWriter（'./graphs/logreg'，tf.get\u default\u graph（））
使用tf.Session（）作为sess：
sess.run（tf.global\u variables\u initializer（））
对于范围内的i（0，历元）：
z_out=sess.run（正向传播（数据集、权重_l1、偏差_l1、权重_l2、偏差_l2、权重_out、偏差_out））
_，l=sess.run（[optimizer，loss]）#，feed_dict={z_out:z_out，labels:labels}）
sess.run（假设）
sess.run（正确的preds）
acc=系统运行（精度）
打印（“历元：，i+1，”，损耗：，l，”，精度：，acc）
writer.close（）

在初始化变量之前，尝试使用

z_out

作为参数，将调用熵计算。在第一个代码中，下面一行为

z_out

赋值，但您已经注释掉了代码

z_out = tf.placeholder(dtype = tf.float32, name = 'z_out')

接下来，您将使用函数

forwardPropagation

，该函数返回

z_out

的值，但直到代码的最后，您才调用

forwardPropagation

函数。然后在下一行中，您尝试使用尚未初始化的

z_out

变量计算

熵，这就是为什么会出现错误

第二组代码之所以有效，是因为在计算
熵之前，您正在执行
z_out
计算。要使第一组代码正常工作，您必须在计算
熵之前调用
forwardPropagation
来定义
z_out
，
谢谢…我有一个问题..如果我没有注释掉它，它会工作吗？显然，它是说没有提供梯度…即使我在运行optimizer？之前调用函数，在您的如果您在计算
熵之前调用
forwardPropagation（）
，则代码的第一部分应该与第二组代码相同。嗯……我算出了，但显然我的输出标签都是0，但仍然显示出很高的准确性