TensorFlow实现简单的二分类神经网络

环境

Window10+Python3.6+TensorFlow1.8.0

基本概念

    TensorFlow里面最基本的三个概念：计算图（tf.Graph）、张量（tf.Tensor）、会话（tf.Session）

    计算图：是TensorFlow的计算模型，所有TensorFlow的程序都会通过计算图的形式表示。

    张量：是TensorFlow的数据模型，TensorFlow中的所有输入输出都是张量，说白了，就是多维数组，张量本身 不存储任何数据，它只是对运算结果的引用。

    会话：会话是TensorFlow的运算模型，它管理了一个TensorFlow程序拥有的系统资源，所有的运算都要通过会话来执行。

代码

第一个实践--二分类神经网络

#完整的神经网络样例程序
#下面给出了一个完整的程序来训练神经网络
#二分类问题
import tensorflow as tf
#这里用Numpy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

#定义神经网络参数，这里还是沿用了前面的神经网络结构
#tf.Variable添加图变量
#tf.random_normal()函数用于从服从指定正太分布的数值中取出指定个数的值。
#参数： shape: 输出张量的形状，必选
#    mean: 正态分布的均值，默认为0
#    stddev: 正态分布的标准差，默认为1.0
#    dtype: 输出的类型，默认为tf.float32
#    seed: 随机数种子，是一个整数，当设置之后，每次生成的随机数都一样
#   name: 操作的名称
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placeholder作为存放输入数据的地方，这里维度不一定要定义
x = tf.placeholder(tf.float32,shape=(None,2),name = 'x-input')
y_ = tf.placeholder(tf.float32,shape=(None,1),name = 'y-input')#用做标签

#定义神经网络前向传播的过程，就是矩阵相乘
a = tf.matmul(x,w1)
y = tf.matmul(a,w2)

#定义损失函数和反向传播算法
#用sigmoid将函数收敛到0~1之间
y = tf.sigmoid(y)

#定义交叉熵损失函数，用于权衡输出值和标签值的差异
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))
)

#优化算法lr=0.001
train_step = tf.train.AdamOptimizer(0.001).minimize(cross_entropy)

#通过随机数生成一个模拟的数据集，该状态设置为1
rdm = RandomState(1)
dataset_size = 128
X = rdm.rand(dataset_size,2)#数据大小为128个
#定义规则来给出样本的标签，这里x1+x2<1的样本都被认为是正样本，反之是负样本
#这里使用0和1来表示正负样本
Y = [[int(x1+x2<1)] for (x1,x2) in X]#就是一个打标签的过程

#创建一个会话来运行TensorFlow程序
with tf.Session() as sess:
    init_op = tf.global_variables_initializer()#全体初始化
    sess.run(init_op)#先跑一下初始化是必须的

    print(sess.run(w1))#输出看看当前的参数
    print(sess.run(w2))

#设定训练的轮数
    STEPS = 5000
    for i in range(STEPS):
        start = (i*batch_size)%dataset_size#每次选取batch_size个样本进行训练
        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:
            total_cross_entropy = sess.run(cross_entropy,feed_dict={x:X,y_:Y})
            print("cross entropy on all data is",total_cross_entropy)
    print(sess.run(w1))
    print(sess.run(w2))

运行截图：