原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
# import tensorflow as tf
import numpy as np
#import random
#import matplotlib.pyplot as plt
import pickle
import struct
import os
#random.seed(0)
def rand(i, j): # random array
output = 0.1 * np.random.randn(i, j) + 0.05
#output = (np.random.randint(0,4,(i,j)) - 2) * 0.1
return output
def unpickle(file):
with open(file, rb) as fo:
dict = pickle.load(fo, encoding=bytes)
data = dict[bdata]
labels = dict[blabels]
data = data.reshape(10000, 3, 32, 32)
labels = np.array(labels)
return data, labels
def RELU(x):
return 1 * (x 0) * x
#return 1.0 / (1.0 + np.exp(-x))
def RELU_deriv(x):
return 1 * (x 0)
#s = RELU(x)
#ds = s * (1 - s)
#return ds
def softmax(X):
return np.exp(X) / np.sum(np.exp(X))
def normal(X):
var = X.var()
mean = np.mean(X)
X = (X - mean)/var
return X
class NN:
def __init__(self, layers, input_size=3072, output_size=10):
self.input_size = input_size #input size
self.output_size = output_size # class number
layers.insert(0, input_size)
layers.append(output_size)
self.layers = layers # all layers
self.num_layers = len(layers) # layer number
self.weights = [np.array([])for i in range (0,self.num_layers - 1)]
self.z = [np.array([])for i in range (0,self.num_layers)] # output of each layer
self.a = [np.array([])for i in range (0,self.num_layers)] # activated output of each laye
self.bias = [np.array([]) for i in range(0, self.num_layers - 1)]
self.delta = [np.array([]) for i in range(0, self.num_layers - 1)]
for i in range(0, self.num_layers - 1):
self.weights[i] = rand(self.layers[i], self.layers[i + 1])
#print(self.weights[i].T.shape)
for i in range(0, self.num_layers - 1):
self.bias[i] = rand(layers[i + 1], 1)
#print(self.bias[i].shape)
self.delta[i] = np.zeros((layers[i + 1
文档评论（0）