TensorFlow入门-06.一个完整的神经网络样例程序

训练集：模拟数据集

解决的问题：二分类问题

样例代码：

# 1.导入模块
import tensorflow as tf
# NumPy是一个科学计算的工具包，这里通过NumPy工具包生成模拟数据集
from numpy.random import RandomState

# 2.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))

# 3.定义训练数据和测试数据
# 在shape的一个维度上使用None可以方便使用不同的batch大小。
# 在训练时需要把数据分成较小的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做比较方便测试。但
# 数据集比较大时，将大量数据放入一个batch可能会导致内存溢出。
x = tf.placeholder(tf.float32, shape=(None, 2), name='x-input') # 训练数据
y_ = tf.placeholder(tf.float32, shape=(None, 1), name='y-input')

# 4.定义神经网络前向传播的过程
a = tf.matul(x, w1)
y = tf.matul(y, w2)

# 5.定义损失函数和反向传播的算法
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(learning_rate).minimize(cross_entropy)	

# 6.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)

# 7.创建Y表示正样本数据集
# 定义规则来给出样本的标签。在这里所有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）。和TensorFlow游乐场中的表示法不大一样的地方是，
# 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]

# 8.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)

    # 输出训练之前神经网络参数的值	
	print sess.run(w1)
	print sess.run(w2)

	# 设定训练的轮数
	STEPS = 5000
	for i in range(STEPS):
		# 每次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))
	
	# 输出训练之后神经网络参数的值	
	print sess.run(w1)
	print sess.run(w2)