实现简单的神经网络

Python语言+tensorflow框架实现简单的神经网络

训练神经网络的过程一般分为3个步骤（不随网络结构的变化而变化）

1.定义网络结构和前向传播的输出结果

2.定义损失函数以及选择反向传播优化算法

3.生成会话，并在训练数据上反复运行反向传播优化算法

完整代码如下：

import tensorflow as tf

from numpy.random import RandomState

batch_size=8

w1=tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))
w2=tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))

x=tf.placeholder(tf.float32,shape=(None,2),name='x-input')
y_=tf.placeholder(tf.float32,shape=(None,1),name='y-input')

a=tf.nn.relu(tf.matmul(x,w1))
y=tf.nn.relu(tf.matmul(a,w2))

cross_entropy=-tf.reduce_mean(y_*tf.log(tf.clip_by_value(y,1e-10,1.0)))
train_step=tf.train.AdamOptimizer(0.001).minimize(cross_entropy)

rdm=RandomState(1)
dataset_size=128
X=rdm.rand(dataset_size,2)
Y=[[int(x1+x2<1)] for (x1,x2) in X]

with tf.Session() as sess:
    init_op=tf.initialize_all_variables()
    sess.run(init_op)
    
    print (sess.run(w1))
    print (sess.run(w2))
    
    STEPS=5000
    for i in range(STEPS):
        start=(i+batch_size)%dataset_size
        end=min(start+batch_size,dataset_size)
        
        sess.run(train_step,feed_dict={x:X[start:end],y_:Y[start:end]})
        
        if i%1000==0:
            total_entropy=sess.run(cross_entropy,feed_dict={x:X,y_:Y})
            print("After %d training step(s),cross entropy on all data is %g"%(i,total_entropy))
        
    print(sess.run(w1))
    print(sess.run(w2))

首先导入模块——tensorflow和numpy，后续中利用numpy生成数据集

然后定义batch_size，神经网络训练过程是批处理，每次处理一批数据，在此定义每次处理的数据量

然后定义神经网络参数，随机初始化权值w1,w2。

定义输入变量，x和y_。类型为浮点型的n维2列，n维1列的数组。

定义网络前向传播，a即为隐层，y为实际输出。

然后定义损失函数和反向传播优化算法。采用交叉熵来定义损失函数，优化算法采用AdamOptimizer，定义学习率为0.001，目的是最小化交叉熵

（以上网络定义完成）

随机产生输入数据，X是128*2的矩阵，Y是128*1的矩阵，其中Y里元素0表示负样本，1表示正样本。

接下来，创建一个会话来运行tensorflow程序。

迭代5000次（STEPS），每次选择batch_size个样本进行训练，每迭代1000次，输出一次训练交叉熵（逐渐减小）。

最后训练结束，输出网络权值。

运行结果如下：

最开始输出初始化权值，然后输出迭代信息，最后输出训练后的权值。