随机产生32组生产出的零件的体积和重量,训练3000轮,当体积和重量的和小于1时为合格。x0和x1对应体积和重量。
#导入模块,生成数据集
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,表示32组体积和重量,作为输入数据集
X=rng.rand(32,2)
#重点语句:从X中取出一行判断如果和小于1给Y赋值1,如果和不小于1给Y赋值0
#作为输入数据集的标签(正确答案)
Y=[[int(x0+x1<1)]for (x0,x1) in X]
#定义神经网络的输入、参数和输出,定义前向传播的过程
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))#a是隐藏层,有3个神经元
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)
#生成会话,训练steps轮
with tf.Session() as sess:
init_op=tf.global_variables_initializer()
sess.run(init_op)
print(sess.run(w1))
print(sess.run(w2))
print("\n")
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_loss=sess.run(loss,feed_dict={x:X,y_:Y})
print(total_loss)
print("\n")
print(sess.run(w1))
print(sess.run(w2))