Tensorflow 搭建神经网络

#coding:utf-8

"""
随机产生32组生产出的零件的体积和重量，训练3000轮，每500轮输出一次损失函数
神经网络框架：输入层2个神经元，隐藏层3个神经元，输出层1个神经元
"""
"""0导入模块：导入模块，生成模拟数据集"""
import tensorflow as tf
import numpy as np
BATCH_SIZE = 8 #一次给神经网络喂入8组数据，不能太大
seed = 23455 # seed是随机数种子，为0则产生的随机数不同

# 基于seed产生随机数
rng = np.random.RandomState(seed) #对于某一个伪随机数发生器，只要种子seed相同，则产生的随机数序列就是相同的
#随机数返回32行2列的矩阵 表示32组 体积和重量 作为输入数据集
X = rng.rand(32,2)
#每次取出一行，和小于1则给Y赋值1，否则赋值0，制作标签
Y = [[int((x0 + x1) < 1)] for (x0,x1) in X]
print("X:\n",X)
print("Y:\n",Y)

"""1向前传播：定义神经网络的输入、参数和输出，定义前向传播过程"""
x = tf.placeholder(tf.float32, shape=(None,2)) # 占位函数，x是输入，n行2列，每行是一条样本数据
y_ = tf.placeholder(tf.float32, shape=(None,1)) # 标准值

w1 = tf.Variable(tf.random_normal([2,3], stddev=1, seed=1)) #输入层到隐藏层，输入层2元，隐藏层3元
# 以高斯分布的方式产生2行3列（由NN结构决定）数据，stddev=1:标准差为1，seed=1产生相同的随机数
w2 = tf.Variable(tf.random_normal([3,1], stddev=1, seed=1)) # 输出层1元

a = tf.matmul(x,w1) # 得到隐藏层的输出
y = tf.matmul(a,w2) # 得到输出，预测值

"""2反向传播：定义损失函数以及反向传播方法"""
loss = tf.reduce_mean(tf.square(y - y_)) # 均方误差作为损失函数
train_step= tf.train.GradientDescentOptimizer(0.001).minimize(loss)
# 定义优化器，学习率设为0.001，优化目的是最小化loss，还可以使用其他优化器
# 三种优化器的区别参考：https://blog.csdn.net/VictorHan01/article/details/98754644
# train_step = tf.train.MomentumOptimizer(0.001,0.9).minimize(loss)
# train_step = tf.train.AdamOptimizer(0.001).minimize(loss)

"""3生成会话，训练steps轮"""
with tf.Session() as sess:
    init_op = tf.global_variables_initializer() # 全局变量初始化
    sess.run(init_op)
    # 输出目前未经训练的参数取值
    print("w1:\n", sess.run(w1))
    print("w2:\n", sess.run(w2))
    print("\n")

    #训练模型
    STEPS = 3000
    for i in range(STEPS):
        start = (i * BATCH_SIZE) % 32 #对总数取余，从数据中循环抽取BATCH_SIZE条数据的起始位置
        end = start + BATCH_SIZE
        sess.run(train_step, feed_dict={x:X[start:end],y_:Y[start:end]})
        # 执行train_step，喂入参数，train_step用到了loss用到y和y_，y用到a和w2,a用到x
        # feed_dict喂入参数，参数必须是字典的形式，feed_dict一定是一个字典
        if i % 500 == 0: # 每500次输出一次结果
            total_loss = sess.run(loss,feed_dict={x:X, y_:Y})
            print("After %d training steps, the loss on all data is %f"%(i,total_loss))

    #输出训练结束后的参数取值：
    print("\nw1:\n",sess.run(w1)) # 训练是训练于loss相关的变量，框架中定义了两个变量w1,w2
    print("w2:\n", sess.run(w2)) # sess.run(w2)是输出w2的值，否则是输出w2的数据类型信息