63、tensorflow简单demo

import tensorflow as tf
from numpy.random import RandomState
tf.compat.v1.disable_eager_execution()
se = tf.compat.v1.Session()

def print_tf(s):
    print(se.run(s))

def demo1():

    batch_size = 8
    # 定义训练数据batch的大小

    w1 = tf.Variable(tf.compat.v1.random_normal([2, 3], stddev=1, seed=1))
    w2 = tf.Variable(tf.compat.v1.random_normal([3, 1], stddev=1, seed=1))
    # 分别定义一二层和二三层之间的网络参数，标准差为1，随机产生的数保持一致


    x = tf.compat.v1.placeholder(tf.float32, shape=(None, 2), name='x-input')
    y_ = tf.compat.v1.placeholder(tf.float32, shape=(None, 1), name='y-input')
    # 输入为两个维度，即两个特征，输出为一个标签,声明数据类型float32，None即一个batch大小
    # y_是真实的标签

    # x为(1,2),w1为(2,3)，故a为(1,3)，y为（1，1）
    a = tf.matmul(x, w1)
    y = tf.matmul(a, w2)

    # 定义神经网络前向传播过程
    # clip_by_value函数将y压缩在1e-10到1之间， tf.compat.v1.log计算自然对数, reduce_mean计算均值
    cross_entropy = -tf.reduce_mean(y_ * tf.compat.v1.log(tf.clip_by_value(y, 1e-10, 1.0)))
    train_step = tf.compat.v1.train.AdamOptimizer(0.001).minimize(cross_entropy)
    # 定义损失函数和反向传播算法

    rdm = RandomState(1)
    dataset_size = 128
    # 产生128组数据
    X = rdm.rand(dataset_size, 2)
    Y = [[int(x1 + x2 < 1)] for (x1, x2) in X]
    # 将所有x1+x2<1的样本视为正样本，表示为1；其余为0

    # 创建会话来运行TensorFlow程序
    with tf.compat.v1.Session() as sess:
        init_op = tf.compat.v1.global_variables_initializer()
        # 初始化变量
        sess.run(init_op)

        print(sess.run(w1))
        print(sess.run(w2))
        # 打印出训练网络之前网络参数的值

        STEPS = 5000
        # 设置训练的轮数
        for i in range(STEPS):
            start = (i * batch_size) % dataset_size
            end = min(start + batch_size, dataset_size)
            # 每次选取batch_size个样本进行训练

            sess.run(train_step, feed_dict={x: X[start:end], y_: Y[start:end]})
            # 通过选取的样本训练神经网络并更新参数

            if i % 1000 == 0:
                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))
        # 每隔一段时间计算在所有数据上的交叉熵并输出，随着训练的进行，交叉熵逐渐变小

        print(sess.run(w1))
        print(sess.run(w2))

if __name__ == '__main__':
    demo1()