- 1 生成样本:
8 #基于seed产生随机数
9 rdm = np.random.RandomState(SEED)
10 #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
11 X = rdm.rand(32,2)
- 打印中间参数
39 print "w1:\n", sess.run(w1)
40 print "w2:\n", sess.run(w2)
41 print "\n"
- 43 # 训练模型。
#coding:utf-5
2 #0导入模块,生成模拟数据集。
3 import tensorflow as tf
4 import numpy as np
5 BATCH_SIZE = 8
6 SEED = 23455
7
8 #基于seed产生随机数
9 rdm = np.random.RandomState(SEED)
10 #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
11 X = rdm.rand(32,2)
12 #从X这个32行2列的矩阵中 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
13 #作为输入数据集的标签(正确答案)
14 Y_ = [[int(x0 + x1 < 1)] for (x0, x1) in X]
15 print "X:\n",X
16 print "Y_:\n",Y_
17
18 #1定义神经网络的输入、参数和输出,定义前向传播过程。
19 x = tf.placeholder(tf.float32, shape=(None, 2))
20 y_= tf.placeholder(tf.float32, shape=(None, 1))
21
22 w1= tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1))
w2= tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1))
24
25 a = tf.matmul(x, w1)
26 y = tf.matmul(a, w2)
27
28 #2定义损失函数及反向传播方法。
29 loss_mse = tf.reduce_mean(tf.square(y-y_))
30 train_step = tf.train.GradientDescentOptimizer(0.001).minimize(loss_mse)
31 #train_step = tf.train.MomentumOptimizer(0.001,0.9).minimize(loss_mse)
32 #train_step = tf.train.AdamOptimizer(0.001).minimize(loss_mse)
33
34 #3生成会话,训练STEPS轮
35 with tf.Session() as sess:
36 init_op = tf.global_variables_initializer()
37 sess.run(init_op)
38 # 输出目前(未经训练)的参数取值。
39 print "w1:\n", sess.run(w1)
40 print "w2:\n", sess.run(w2)
41 print "\n"
42
43 # 训练模型。
STEPS = 3000
45 for i in range(STEPS):
46 start = (i*BATCH_SIZE) % 32
47 end = start + BATCH_SIZE
48 sess.run(train_step, feed_dict={x: X[start:end], y_: Y_[start:end]})
49 if i % 500 == 0:
50 total_loss = sess.run(loss_mse, feed_dict={x: X, y_: Y_})
51 print("After %d training step(s), loss_mse on all data is %g" % (i, total_loss))
52
53 # 输出训练后的参数取值。
54 print "\n"
55 print "w1:\n", sess.run(w1)
56 print "w2:\n", sess.run(w2)
57