神经网络

#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))