python中tensorflow实现二分类_使用TensorFlow实现二分类的方法示例

使用TensorFlow构建一个神经网络来实现二分类，主要包括输入数据格式、隐藏层数的定义、损失函数的选择、优化函数的选择、输出层。下面通过numpy来随机生成一组数据，通过定义一种正负样本的区别，通过TensorFlow来构造一个神经网络来实现二分类。

一、神经网络结构

输入数据：定义输入一个二维数组(x1,x2)，数据通过numpy来随机产生，将输出定义为0或1，如果x1+x2<1,则y为1，否则y为0。

隐藏层：定义两层隐藏层，隐藏层的参数为(2,3)，两行三列的矩阵，输入数据通过隐藏层之后，输出的数据为(1,3)，t通过矩阵之间的乘法运算可以获得输出数据。

损失函数：使用交叉熵作为神经网络的损失函数，常用的损失函数还有平方差。

优化函数：通过优化函数来使得损失函数最小化，这里采用的是Adadelta算法进行优化，常用的还有梯度下降算法。

输出数据：将隐藏层的输出数据通过(3,1)的参数，输出一个一维向量，值的大小为0或1。

二、TensorFlow代码的实现

import tensorflow as tf

from numpy.random import RandomState

if __name__ == "__main__":

#定义每次训练数据batch的大小为8，防止内存溢出

batch_size = 8

#定义神经网络的参数

w1 = tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))

w2 = tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))

#定义输入和输出

x = tf.placeholder(tf.float32,shape=(None,2),name="x-input")

y_ = tf.placeholder(tf.float32,shape=(None,1),name="y-input")

#定义神经网络的前向传播过程

a = tf.matmul(x,w1)<