#TensorFlow——神经网络样例程序
import tensorflow as tf
from numpy.random import RandomState
#定义训练数据batch的大小,在不能将数据一次性通过神经网络的时候,就需要将数据集分成几个batch。
batch_size = 8
#定义神经网络的参数
w1 = tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1))
w2 = tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1))
#定义placeholder作为存放输入数据的地方,维度使用None可以方便使用batch
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的过程
a = tf.matmul(x, w1)
y = tf.matmul(a, w2)
#定义损失函数和反向传播的算法
#使用sigmoid函数可以将y转换成0~1之间的数值。转换成y代表预测是正样本的概率,1-y代表预测是负样本的概率
y = tf.sigmoid(y)
#定义损失函数刻画预测值和真实数据的差距
cross_entropy = -tf.reduce_mean(
y_ * tf.log(tf.clip_by_value(y, 1e-10, 1.0))
+ (1-y) * tf.log(tf.clip_by_value(1-y, 1e-10, 1.0))
)
#定义反向传播算法优化神经网络中的参数,0.001是学习率
train_step = tf.train.AdamOptimizer(0.001).minimize(cross_entropy)
#通过数据树生成模拟数据集
rdm = RandomState(1)
dataset_size = 128
X = rdm.rand(dataset_size, 2)
#定义规则来给出样本的标签,在这里x1+x2<1的样例都被认为为正样本,其他为负样本。
#这里0表示负样本,1表示正样本
Y = [[int(x1+x2 < 1)] for (x1, x2) in X]
#创建一个会话运行TensorFlow程序
with tf.Session() as sess:
#初始化
init_op = tf.global_variables_initializer()
sess.run(init_op)
#输出训练之前的参数值
print(sess.run(w1))
print(sess.run(w2))
#训练轮数
STEPS = 5000
for i in range(STEPS):
#选取batch_size个样本进行训练
start = (i*batch_size) % dataset_size
end = min(start+batch_size, dataset_size)
#训练网络并更新参数
sess.run(train_step, feed_dict={x: X[start:end], y_:Y[start:end]})
if i % 1000 == 0:
#每隔一段时间计算所有数据的误差并输出
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("end~")
print(sess.run(w1))
print(sess.run(w2))