搭建一个简单的卷积神经网络

神经网络的基本组成单元是神经元，在数学上的神经元模型是和在生物学上的神经细胞对应的。人工神经网络理论是用神经元这种抽象的数学模型来描述客观世界的生物细胞的。

例如随机产生32组生产出的零件的体积和重量，训练3000轮，每500轮输出一次损失函数
1、导入模型，生成模拟数据集

import tensorflow as tf
import numpy as np
BATCH_SIZE=8
seed=23455

2、基于seed产生随机数

rng=np.random.RamdomState(seed)

3、随机数返回32行2列的矩阵表示32组，体积和重量，作为输入数据集

X=rng.rand(32,2)

4、从X这个32行2列的矩阵中，取出一行，判断如果和小于1给Y赋值1，如果和不小于1给Y赋值为0，作为输入数据标签

Y=[[int(x0+x1<1)] for(x0,x1) in X]
print “X:\n”,X
print “Y:\n”,Y

5、定义神经网络的输入、参数和输出，定义前向传播过程

x=tf.placeholder(tf.float32,shape=(None,2))#2表示每组有两个
y_=tf.placeholder(tf.float32,shape=(None,1))

w1=tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))
w2=tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))
a=tf.matmul(x,w1)

y=tf.matmul(a,w2)

6、定义损失函数及反向传播法

loss=tf.reduce_mean(tf.square(y-y_))
train_step=tf.train.AdamtOptinizer(0001),minimiaze(loss)

7、生成会话，训练STEPS轮

with tf.Session() as sess:
init_op=tf.global_variables_initializer()
sess.run(init_op)
#输出（未经训练）参数取值
print"w1:\n",sess.run(w1)
print"w2:\n",sess.run(w2)
print"\n"
#训练模型
STEPS=3000
for i in range(STEPS):
start=(i*BATCH_SIZE)%32
end=start+BATCH_SIZE
sess.run(train_step,feed_dict={x:x[start:end],y_:[start:end]})
if i%500==0:
total_loss=sess.run(loss,feed_dict={x:x,y_:Y})
print(“After %d train steps),loss on all data is %g”%(i,total_loss)
#训练后的参数取值
print"\n"
print"w1:\n",sess.run(w1)
print"w2:\n",sess.run(w2)

总共训练3000轮，每轮从x的数据集和Y的标签中抽取相对应的从start开始到end结束某个特征值和标签喂入神经网络，用sess.run求出loss，每500轮打印一次