[Tensorflow学习系列]Tensorflow学习四:用Tensorflow简单构造自己的模型
本文是Tensorflow学习系列之第四篇
这里直接给大家看一下代码,注释有写的比较清楚,不知道的地方可以评论
import tensorflow as tf
import numpy as np
Batch_size=8 #不能喂的太大
seed=23455
rng=np.random.RandomState(seed)#产生随机数,seed相同产生的随机数就相同
X=rng.rand(32,2)#随机数返回32行2列的矩阵作为输入数据集 表示32组体积和重量
#从x的32行中取出一行,若体积加重量小于1,给y赋值1否则赋值0
Y=[[int(x0+x1<1)]for(x0,x1)in X]
print("X:\n",X)
print("Y:\n",Y)
#1.定义神经网络输入输出前向传播过程
x=tf.placeholder(tf.float32,shape=(None,2))#只知道两个特征,体积和重量,并不知道几组
y_=tf.placeholder(tf.float32,shape=(None,1))#只知道合格与否的标记这一个特征,并不知道有几个(y_为标准答案)
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)
#2.定义损失函数及反向传播过程
loss=tf.reduce_mean(tf.square(y_-y))
train_step=tf.train.AdamOptimizer(0.001).minimize(loss)#0.001为学习率 自适应
#train_step=tf.train.GradientDescentOptimizer(0.001).minimize(loss) 随机梯度下降
#train_step=tf.train.MomentumOptimizer(0.001,0.9).minimize(loss) 超参数
#3.生成会话,训练s轮
with tf.Session() as sess:
init_op=tf.global_variables_initializer()
sess.run(init_op)
#输出未经训练的w1,w2
print("w1: \n",sess.run(w1))
print("w2: \n",sess.run(w2))
print("\n")
#训练模型
STEP=3000
for i in range(STEP):
start=i*Batch_size%32#X为32行2列的矩阵
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("After %d training Step(s),loss on all date is %g" %(i,total_loss))
#输出训练后的参数
print("w1: \n", sess.run(w1))
print("w2: \n", sess.run(w2))
print("\n")