Tensorflow笔记之完整神经网络

 下面代码为一个完整的神经网络解决二分类问题。

import tensorflow as tf
# numpy 是一个科学计算工具包，这里通过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，这里还是沿用3.4.2小节中给出的神经网络结构
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。再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的数据。当数据集比较小时，这样比较方便测试，但是数据集比较大时，将大量数据放入一个
#batch会导致内存溢出
x=tf.placeholder(tf.float32,shape=(None,2),name='x-input')
y_=tf.placeholder(tf.float32,shape=(None,1),name='y-input')
#定义神经网络前向传播的过程
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)
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)
#通过随机数生成一个模拟数据集
rdm=RandomState(1)
dataset_size=128
X=rdm.rand(dataset_size,2)
#定义规则来给出样本标签。在这里所有的x1+x2<1的样例都被认为是正样本（比如零件合格），
#而其他为负样本（比如零件不合格）。在Tensorflow游乐场中的表示方法不一样的地方是
#在这里使用0来表示负样本，1来表示正样本。大部分解决分类问题的神经网络都会采用0和1表示方法
Y=[[int(x1+x2<1)]for (x1,x2)in X]
#创建一个会话来运行Tensorflow程序
with tf.Session() as sess:
    init_op=tf.global_variables_initializer()
    #初始化变量
    sess.run(init_op)
    print(sess.run(w1))
    print(sess.run(w2))
    STEPS=5000
    for i in range(STEPS):
        start=(i*batch_size)%dataset_size
        end=min(start+batch_size,dataset_size)
        sess.run(train_step,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("经过%d次训练，损失函数值是%g"%(i,total_cross_entropy))

输出结果如下：

[[-0.81131822  1.48459876  0.06532937]
 [-2.4427042   0.0992484   0.59122431]]
[[-0.81131822]
 [ 1.48459876]
 [ 0.06532937]]
经过0次训练，损失函数值是1.89805
经过1000次训练，损失函数值是0.655075
经过2000次训练，损失函数值是0.626172
经过3000次训练，损失函数值是0.615096
经过4000次训练，损失函数值是0.610309

从上述程序中可以总结出训练神经网络可以分为三个步骤：

1 定义神经网络的结构和前向传播的输出结果

2 定义损失函数及反向传播优化算法

3生成回话并开始反复运行反向传播优化算法