摘要：以下是我上次寫的函數的文章關于其他激勵函數，可以網上找資料進行了解，很多基礎性的數學知識，放到一些比較具體的應用，會顯得非常的有意思。

先上代碼

import tensorflow
from tensorflow.examples.tutorials.mnist import input_data
import matplotlib.pyplot as plt

# 普通的神經網絡學習
# 學習訓練類
class Normal:

    weight = []
    biases = []

    def __init__(self):
        self.times = 1000
        self.mnist = []
        self.session = tensorflow.Session()
        self.xs = tensorflow.placeholder(tensorflow.float32, [None, 784])
        self.ys = tensorflow.placeholder(tensorflow.float32, [None, 10])
        self.save_path = "learn/result/normal.ckpt"

    def run(self):
        self.import_data()
        self.train()
        self.save()

    def _setWeight(self,weight):
        self.weight = weight

    def _setBiases(self,biases):
        self.biases = biases

    def _getWeight(self):
        return self.weight

    def _getBiases(self):
        return self.biases
    # 訓練
    def train(self):

        prediction = self.add_layer(self.xs, 784, 10, activation_function=tensorflow.nn.softmax)

        cross_entropy = tensorflow.reduce_mean(
            -tensorflow.reduce_sum(
                self.ys * tensorflow.log(prediction)
                , reduction_indices=[1])
        )
        train_step = tensorflow.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

        self.session.run(tensorflow.global_variables_initializer())

        for i in range(self.times):
            batch_xs, batch_ys = self.mnist.train.next_batch(100)
            self.session.run(train_step, feed_dict={self.xs: batch_xs, self.ys: batch_ys})
            if i % 50 == 0:
                # images 變換為 labels，images相當于x，labels相當于y
                accurary = self.computer_accurary(
                    self.mnist.test.images,
                    self.mnist.test.labels,
                    prediction
                )

    # 數據導入
    def import_data(self):
        self.mnist = input_data.read_data_sets("MNIST_data", one_hot=True)

    # 數據保存
    def save(self):
        saver = tensorflow.train.Saver()
        path = saver.save(self.session,self.save_path)

    # 添加隱藏層
    def add_layer(self,inputs,input_size,output_size,activation_function=None):

        weight = tensorflow.Variable(tensorflow.random_normal([input_size,output_size]),dtype=tensorflow.float32,name="weight")

        biases = tensorflow.Variable(tensorflow.zeros([1,output_size]) + 0.1,dtype=tensorflow.float32,name="biases")
        Wx_plus_b = tensorflow.matmul(inputs,weight) + biases

        self._setBiases(biases)
        self._setWeight(weight)

        if activation_function is None:
            outputs = Wx_plus_b
        else:
            outputs = activation_function(Wx_plus_b,)

        return outputs


    # 計算結果數據與實際數據的正確率
    def computer_accurary(self,x_data,y_data,tf_prediction):

        prediction = self.session.run(tf_prediction,feed_dict={self.xs:x_data,self.ys:y_data})

        # 返回兩個矩陣中最大值的索引號位置，然后進行相應位置的值大小比較并在此位置設置為True/False
        correct_predition = tensorflow.equal(tensorflow.argmax(prediction,1),tensorflow.argmax(y_data,1))

        # 進行數據格式轉換，然后進行降維求平均值
        accurary = tensorflow.reduce_mean(tensorflow.cast(correct_predition,tensorflow.float32))

        result = self.session.run(accurary,feed_dict={self.xs:x_data,self.ys:y_data})

        return result

# 識別類
class NormalRead(Normal):

    input_size = 784
    output_size = 10

    def run(self):
        self.import_data()
        self.getSaver()
        origin_input = self._getInput()
        output = self.recognize(origin_input)

        self._showImage(origin_input)
        self._showOutput(output)
        pass

    # 顯示識別結果
    def _showOutput(self,output):
        number = output.index(1)
        print("識別到的數字:",number)

    # 顯示被識別圖片
    def _showImage(self,origin_input):
        data = []
        tmp = []
        i = 1
        # 原數據轉換為可顯示的矩陣
        for v in origin_input[0]:
            if i %28 == 0:
                tmp.append(v)
                data.append(tmp)
                tmp = []
            else:
                tmp.append(v)
            i += 1

        plt.figure()
        plt.imshow(data, cmap="binary")  # 黑白顯示
        plt.show()


    def _setBiases(self,biases):
        self.biases = biases
        pass

    def _setWeight(self,weight):
        self.weight = weight
        pass

    def _getBiases(self):
        return self.biases

    def _getWeight(self):
        return self.weight

    # 獲取訓練模型
    def getSaver(self):
        weight = tensorflow.Variable(tensorflow.random_normal([self.input_size, self.output_size]), dtype=tensorflow.float32,name="weight")

        biases = tensorflow.Variable(tensorflow.zeros([1, self.output_size]) + 0.1, dtype=tensorflow.float32, name="biases")

        saver = tensorflow.train.Saver()
        saver.restore(self.session,self.save_path)

        self._setWeight(weight)
        self._setBiases(biases)

    def recognize(self,origin_input):
        input = tensorflow.placeholder(tensorflow.float32,[None,784])
        weight = self._getWeight()
        biases = self._getBiases()

        result = tensorflow.matmul(input,weight) + biases
        resultSof = tensorflow.nn.softmax(result,) # 把結果集使用softmax進行激勵
        resultSig = tensorflow.nn.sigmoid(resultSof,) # 把結果集以sigmoid函數進行激勵，用于后續分類
        output = self.session.run(resultSig,{input:origin_input})

        output = output[0]

        # 對識別結果進行分類處理
        output_tmp = []
        for item in output:
            if item < 0.6:
                output_tmp.append(0)
            else :
                output_tmp.append(1)

        return output_tmp

    def _getInput(self):
        inputs, y = self.mnist.train.next_batch(100);
        return [inputs[50]]

以上是程序，整個程序基于TensorFlow來實現的，具體的TensorFlow安裝我就不說了。
整個訓練過程不做多說，我發現網上關于訓練的教程很多，但是訓練結果的教程很少。

整個程序里，通過tensorflow.train.Saver()的save進行訓練結果模型進行存儲，然后再用tensorflow.train.Saver()的restore進行模型恢復然后取到訓練好的weight和baises。

這里要注意的一個地方是因為一次性隨機取出100張手寫圖片進行批量訓練的，我在取的時候其實也是批量隨機取100張，但是我傳入識別的是一張，通過以下這段程序：

def _getInput(self):
        inputs, y = self.mnist.train.next_batch(100);
        return [inputs[50]]

注意一下return這里的數據結構，其實是取這批量的第50張，實際上這段程序寫成：

def _getInput(self):
        inputs, y = self.mnist.train.next_batch(1);
        return [inputs[0]]

會更好。
因為識別的時候是需要用到訓練的隱藏層來進行的，所以在此我雖然識別的是一張圖片，但是我必須要傳入一個批量數據的這樣一個結構。

然后再識別的地方，我使用了兩個激勵函數：

resultSof = tensorflow.nn.softmax(result,) # 把結果集使用softmax進行激勵
resultSig = tensorflow.nn.sigmoid(resultSof,) # 把結果集以sigmoid函數進行激勵，用于后續分類

這里的話，第一個softmax激勵后的數據我發現得到的是以e為底的指數形式，轉換成普通的浮點數來看，不是很清楚到底是什么，那么我在做識別數字判斷的時候就不方便，所以再通過了一次sigmoid的激勵。

后續我通過一個循環判斷進行一次實際上的分類，這個原因首先要說到識別結果形式：

[0,0,0,0,0,0,0,0,1,0]

像以上這個數據，表示的是8，也就是說，數組下表第幾位為1就表示是幾，如0的表示:

[1,0,0,0,0,0,0,0,0,0]

而sigmoid函數在這個地方其實就是對每個位置的數據進行了分類，我發現如果分類值小于0.52這樣的數據其實代表的是否，也就是說此位置的值對應的是0，大于0.52應該對應的是真，也就是1；而我在程序里取的是0.6為界限做判斷。

實際上，這個界限值應該是在神經網絡訓練的時候取的，而不是看識別結果來進行憑感覺取的（雖然訓練的時候的參數也是憑感覺取的）

這篇文章是我根據個人的一些理解來寫的，后續如果發現有錯誤，我會在新文章說出來，但這篇文章不做保留，方便后續檢查思考記錄的時候知道到底怎么踩坑的。

以下是我上次寫的sigmoid函數的文章：

https://segmentfault.com/a/11...

關于其他激勵函數，可以網上找資料進行了解，很多基礎性的數學知識，放到一些比較具體的應用，會顯得非常的有意思。