Tensorflow速成学习笔记——二

根据tensorflow实战Google深度学习框架的样例，详细注解简单神经网络代码的各部分作用如下：

import tensorflow as tf
from numpy.random import RandomState
# 定义训练数据batch的大小
batch_size = 8
# 定义神经网络的参数，每一层的节点数分别为2,3,1
# 这里用随机正态分布初始化参数，标准差是1
w1 = tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1))
w2 = tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1))
# 在shape的一个维度上使用None可以方便使用不同的batch大小。在训练时需要把数据分成比较小的batch，但是在测试时，可以一次性使用全部数据
# 当数据集比较小时这样比较方便测试，但数据集比较大时，将大量数据放入一个batch可能会导致内存溢出
# placeholder是TensorFlow的占位符节点，由placeholder方法创建，其也是一种常量，但是由用户在调用run方法是传递的，
# 也可以将placeholder理解为一种形参。即其不像constant那样直接可以使用，需要用户传递常数值。
# 参数说明
# dtype：数据类型，必填，默认为value的数据类型，传入参数为tensorflow下的枚举值（float32，float64.......）
# shape：数据形状，选填，不填则随传入数据的形状自行变动，可以在多次调用中传入不同形状的数据
# name：常量名，选填，默认值不重复，根据创建顺序为（Placeholder，Placeholder_1，Placeholder_2.......）
# 可以理解为定义的是输入层和输出层
x = tf.placeholder(tf.float32, shape=(None, 2), name='x-input')
y_ = tf.placeholder(tf.float32, shape=(None, 1), name='y-input')
# 定义神经网络前向传播过程，用到了矩阵乘法
a = tf.matmul(x, w1)
y = tf.matmul(a, w2)
# 定义损失函数和反向传播的算法
# 求平均值tf.reduce_mean(input_tensor, reduction_indices=None, keep_dims=False, name=None)
# 参数1--input_tensor:待求值的tensor。
# 参数2--reduction_indices:在哪一维上求解。
# tf.log（）用于求对数
# tf.clip_by_value用于将第一个参数超出范围的部分重新赋值，大小为第二三个参数
cross_entropy = -tf.reduce_mean(y_*tf.log(tf.clip_by_value(y, 1e-10, 1.0)))
# 0.01表示学习率
train_step = tf.train.AdamOptimizer(0.01).minimize(cross_entropy)
# 随机生成一个模拟数据集，注意：这里1为随机数种子，只要随机数种子seed相同，产生的随机数系列就相同
rdm = RandomState(1)
dataset_size = 128
# 2表示产生一个二维数组
X = rdm.rand(dataset_size, 2)
# 定义规则给出标签，根据x1和x2的和给出标签
Y = [[int(x1+x2 < 1)] for (x1, x2) in X]
# 创建一个会话来运行session
with tf.Session() as sess:
    # 初始化所有变量
    init_op = tf.initialize_all_variables()
    sess.run(init_op)
    # 查看变量初始值
    print(sess.run(w1))
    print(sess.run(w2))
    # 设置训练轮数
    STEPS = 5000
    for i in range(STEPS):
        # 每次选取batch—size个样本进行训练
        start = (i * batch_size) % dataset_size
        end = min(start+batch_size, dataset_size)
        # feed_dict的作用是给使用placeholder创建出来的tensor赋值，因为前面时None，所以这里每次输入多少数据都是可以的
        sess.run(train_step, feed_dict={x: X[start:end], y_: Y[start:end]})
        if i % 1000 == 0:
            # 每执行一千次，看一次损失熵
            total_cross_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_cross_entropy))
    print(sess.run(w1))
    print(sess.run(w2))
    # sess.run可以理解为查看，但是查看因为有计算的先后所以也要按照顺序

如有疏漏还请告知，谢谢！