Tensorflow——简单的二分类网络

最新推荐文章于 2024-08-16 13:19:57 发布

zy2317878

最新推荐文章于 2024-08-16 13:19:57 发布

阅读量5.6k

点赞数

分类专栏： Tensorflow 文章标签： Tensorflow

本文链接：https://blog.csdn.net/zy2317878/article/details/80321868

版权

本文详细介绍了如何使用Tensorflow构建一个简单的二分类网络，包括网络结构、代码解读、训练过程以及程序运行结果。文章以《Tensorflow深度学习框架》一书中的例子为基础，解释了权重初始化、placeholder的使用、损失函数的计算以及Adam优化算法的应用。

摘要由CSDN通过智能技术生成

写在前面

对于这个新的类别，我也不清楚到底能做到什么程度。首先，从自己的角度上来说，我更希望做一名开发者而非数据科学家来学习Tensorflow与其他深度学习框架。然后，目前主要学习资料是《Tensorflow深度学习框架》，依据这本书里的内容进行学习与注解。

基于模拟数据的二分类网络

下面是根据《Tensorflow深度学习框架》中的一个例子，纠正了一些版本上的Bug，具体可参考：Python——Print函数的Invalid syntax错误。网络代码如下所示：

# -*- coding: utf-8 -*-
"""
Created on Tue May 15 10:27:01 2018

@Description: Two Categories test by Tensorflow
@author: IdaZhang
"""

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的维度上使用None可以方便的使用不大的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的数据
# 当数据集比较小时，这样比较方便测试。但数据集比较大时，大量数据放入一个batch可能会
# 导致内存溢出
x = tf.placeholder(tf.float32, shape=(