简单搭建神经网络

简单的神经网络：准备，前传，后传，迭代

下面是一个简单的神经网络搭建的代码

代码：

#coding:utf-8
import tensorflow as tf
import numpy as np

BATCH_SIZE=8
seed = 23455

#基于seed产生随机数
rng = np.random.RandomState(seed)

#随机数返回32行2列的矩阵，作为输入数据集
X = rng.rand(32,2)

#从X矩阵中取出一行，求和后判断结果，小于1给Y赋值1，不大于1给Y赋值0
#Y作为输入数据集的标签（正确结果）
Y = [[int(x0 + x1 < 1)] for (x0,x1) in X]
print("X:\n",X)
print("Y:\n",Y)

#定义神经网络的输入、参数和输出，定义向前传播过程
x=tf.placeholder(tf.float32,shape=(None,2))
y_=tf.placeholder(tf.float32,shape=(None,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))

a = tf.matmul(x,w1)
y = tf.matmul(a,w2)


#定义损失函数及反向传播方法
loss = tf.reduce_mean(tf.square(y-y_))
#train_step = tf.train.GradientDescentOptimizer(0.001).minimize(loss)
#train_step = tf.train.MomentumOptimizer(0.001,0.9).minimize(loss)
train_step = tf.train.AdamOptimizer(0.001).minimize(loss)


#生成会话，训练STEPS轮
with tf.Session() as sess :
    init_op = tf.global_variables_initializer()
    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
        end = start + BATCH_SIZE
        sess.run(train_step,feed_dict={x:X[start:end],y_:Y[start:end]})
        if i % 500 ==0:
            total_lose = sess.run(loss,feed_dict={x:X,y_:Y})
            print("After train %d step , loss on all data is %g"%(i,total_lose))

    #输出训练后的参数取值
    print("\n")
    print("w1\n",sess.run(w1))
    print("w2\n",sess.run(w2))

 

运行截图

 

 

本人亲测，不同的优化器，效果不同，循环迭代的次数会影响结果，但是到了一定值，结果不变。