第3章 完整神经网络算法

import tensorflow as tf
from numpy.random import RandomState # 这是随机种子的那个东西

#   1定义神经网络的参数，输入和输出节点
batch_size = 8
w1= tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1))
w2= tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1))
x = tf.placeholder(tf.float32, shape=(None, 2), name="x-input")
y_= tf.placeholder(tf.float32, shape=(None, 1), name='y-input')

#   2定义前向传播过程，损失函数及反向传播算法
a = tf.matmul(x, w1)
y = tf.matmul(a, w2)
y = tf.sigmoid(y)
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)))
train_step = tf.train.AdamOptimizer(0.001).minimize(cross_entropy)
#目前Tensorflow 支持 10 种不同的优化器，读者可以根据具体的应用选择不同的优化算法。 
#比较常用的优化方法有三种： tf. train. GradientDescentOptimizer 、tf.train.AdamOptimizer、#tf. train.MomentumOptimizer 。

#   3生成模拟数据集
rdm = RandomState(1)
X = rdm.rand(128,2)
Y = [[int(x1+x2 < 1)] for (x1, x2) in X]

# ＃定义规则来给出样本的标签。在这里所有 xl+x2<1 都被认为是正样本（ 比如 零件合格）
# ＃而其他为负样本（ 比如零件不合格）。和TensorFlow游乐场中表示法不大一样的地方是，
# ＃在这里使用0表示负样本，1来表示正样本。大部分解决分类神经网络都会采用0和1的表示方法

#   4创建一个会话来运行TensorFlow程序
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(sess.run(w1))
	print(sess.run(w2))
	print("\n")

	# 训练模型。
	STEPS = 5000
	for i in range(STEPS):
		start = (i * batch_size) % 128
		end = (i * batch_size) % 128 + batch_size
		sess.run([train_step, y, y_], feed_dict={x: X[start:end], y_: Y[start:end]})
		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))

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