搭建简单的神经网络

# -*- coding: utf-8 -*-
"""

完整的神经网络样例

@author: Elijah
"""
import tensorflow as tf

#通过Numpy工具包生成模拟数据集
from numpy.random import RandomState

#定义训练数据batch的大小
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))

#在shape的一个维度上使用None可以方便使用不同的batch大小，在训练时需要把数据分成比较小的batch
#但是在测试时，可以一次性使用全部数据。当数据集比较小时这样比较方便测试，但数据集比较大时，
#将大量数据放入一个batch可能导致数据溢出
#placeholder占位符，执行时，在通过feed_dict将值传入，dtype：数据类型，shape：数据形状，name：名称
#如果在定义占位符时，不能确定值的形状时，用None表示
x = tf.placeholder(tf.float32,shape=(None,2),name='x-input')
y_ = tf.placeholder(tf.float32,shape=(None,1),name='y-input')

#定义神经网络前向传播过程
a = tf.matmul(x,w1)
y = tf.matmul(a,w2)

#定义损失函数和反向传播算法
y = tf.sigmoid(y)
#定义损失函数及反向传播算法
#cross_entropy是交叉熵
#tf.clip_by_value(A, min, max)：输入一个张量A，把A中的每一个元素的值都压缩在min和max之间。
#小于min的让它等于min，大于max的元素的值等于max
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)
#train_step=tf.train.GradientDescentOptimizer(0.001).minimize(cross_entropy)
#train_step=tf.train.MomentumOptimizer(0.001,0.9).minimize(cross_entropy)

#通过随机数生成一个模拟数据集
#randomState 函数中数字1,相当于一个seed种子，每次产生的随机数都是相同的
rdm = RandomState(1)
dataset_size = 128
#产生一个128行×2列的随机矩阵
X = rdm.rand(dataset_size,2)

#产生一个布尔型结果矩阵128×1
#使用0来表示负样本，1来表示正样本
Y = [[int(x1+x2 < 1)] for (x1,x2) in X]

#创建一个会话来运行Tensorflow程序，反复运行反向传播
#tf中运行必须放在session对象中，且运行过后，要关闭session
with tf.Session() as sess:
    init_op = tf.global_variables_initializer()
    #初始化变量
    sess.run(init_op)
    
    #输出训练之前神经网络参数的值
    print("训练之前神经网络w1参数的值：")
    print(sess.run(w1))
    print("训练之前神经网络w2参数的值：")
    print(sess.run(w2))
    
    #设定训练的轮数
    STEPS = 3
    for i in range(STEPS):
        start = (i*batch_size) % dataset_size
        end = min(start+batch_size,dataset_size)
        
        #通过选取的样本训练神经网络并更新参数
        sess.run(train_step,
                 feed_dict={x:X[start:end],y_:Y[start:end]})
        if i % 1000 == 0:
            #每隔一段时间计算所有数据上的交叉熵并输出
            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))
        print("训练 %d 次w1参数的值：" %i)
        print (sess.run(w1))
        print("训练 %d 次w2参数的值：" %i)
        print (sess.run(w2))