【TensorFlow实战】2.完整神经网络例子

# coding=utf-8
import tensorflow as tf

#NumPy是科学计算工具包，调用生成模拟数据集
from numpy.random import RandomState

#定义训练数据batch的大小
batch_size = 8

#定义神经网路的参数
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，但是数据集较大时，将大量数据放入一个batch可能导致内存溢出。
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过程
a = tf.matmul(x, w1)
y = tf.matmul(a, w2)

#在上面的代码中，y_代表正确结果，y代表预测结果

#定义损失函数和反向传播算法
#定义算是函数来刻画预测值与真实值之间的差距
cross_entropy = -tf.reduce_mean(y_ * tf.log(tf.clip_by_value(y, 1e-10, 1.0)))

#定义学习率
learning_rate = 0.001
#定义反向传播算法来优化神经网络中的参数
train_step = tf.train.AdamOptimizer(learning_rate).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的标签。这里所有x1+x2<1的样本都被认为是正样本（零件合格）
#其它为负样本（零件不合格）
#这里采用０和１的表示方法，０负样本，１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
with tf.Session() as sess:
	init_op = tf.initialize_all_variables()
	#初始化变量
	sess.run(init_op)
	print sess.run(w1)
	print sess.run(w2)

	#设定训练轮数
	STEPS = 5000
	for i in range(STEPS):
		#每次选取batch_size个样本进行训练
		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:
			#每隔一段时间计算在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 sess.run(w1)
	print sess.run(w2)

我在Ubuntu下面跑的，提示出现下面的错误

SyntaxError: Non-ASCII character '\xe6' in file 3.2.py on line 3, but no encoding declared; see http://www.python.org/peps/pep-0263.html for details

解决方法：在代码开头加一段注释

# coding=utf-8

训练神经网络的过程：

1.定义神经网络的结构和前向传播的输出结果

2.定义损失函数以及选择反向传播优化的算法

3.生成会话（tf.Session）并且在训练数据上反复运行反向传播优化算法