1、神经网络结构
上次分享了tensorflow的基础知识，今天我们就通过实现一个简单的神经网络来将知识点串联起来，目标是用神经网络来预测 一个分类问题：在输入x1（零件长度）和x2（零件质量）的情况下预测零件是否合格（y=0或1）.
网络的结构很简单，输入层两个神经元，隐层6个神经元，输出层1个神经元。
2、实现步骤详解
（1）定义网络结构
首先我们来定义网络的一层，输入的参数是该层输入，定义神经网络前向传播过程，以及使用的激活函数sigmoid，：
# 定义神经网络的参数
w1 = tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1)) # normol为正态分布，stddev是均值，seed是标准差
w2 = tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1))
# 在shape的一个维度上使用None可以方便使用不同的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数据。数据集比较小时可以这样做，大了可能会导致内存溢出。
# x为输入，y_为真实值，y为预测输出，还没有数据，先放在placeholder里，即用占位符表示
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，matmul为矩阵乘法
a = tf.matmul(x, w1)
y = tf.matmul(a, w2)
# 得到的y是一个数，通过sigmoid转化成一个0-1的数
y = tf.sigmoid(y)
（2）生成训练数据
这里，我们生成128*2的x，定义一个分类规则来生成y ：
# 通过随机数生成一个模拟数据
rdm = RandomState(1)
dataset_size = 128
X = rdm.rand(dataset_size, 2) # 128组数据，每组两个x1和x2
# 定义一个Y规则，在这里x1+x2<1的样例都被认为是正样本，其他为负。
# 在这里使用0来表示负样本，1表示正样本：int里面为真就为1，假则为0
Y = [[int(x1 + x2 < 1)] for (x1, x2) in X]
（3）构建网络
这里，我们定义输入层-隐藏层-输出层的三层神经网络结构。同时，我们定义我们的损失是平方损失函数，通过自适应优化算法来最小化我们的损失：
# 定义损失函数为交叉熵
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)))
# 定义反向传播的算法，使得在当前batch下损失函数最小
train_step = tf.train.AdamOptimizer(0.001).minimize(cross_entropy)
（4）定义Session并训练
在定义好神经网络之后，就可以使用Session来进行训练了，这里要记住还是要先对变量进行初始化。这里我设置每1000步输出下交叉熵损失，并顺便看下训练前后参数的变化情况：
# 准备工作都做好了，开始运行，创建一个会话Session来运行tf程序
with tf.Session() as sess:
init_op = tf.global_variables_initializer() # 初始化变量，global初始化所有变量
sess.run(init_op)
# 训练前先输出看下参数：w1是2*3矩阵，w2是3*1矩阵
print(sess.run(w1))
print(sess.run(w2))
'''
在训练前神经网络参数的值：
w1 = [[-0.81131822 1.48459876 0.06532937]
[-2.4427042 0.0992484 0.59122431]]
w2 = [[-0.81131822]
[ 1.48459876]
[ 0.06532937]]
'''
# 定义训练的轮数
STEPS = 5000
for i in range(STEPS):
# 每次选取batch_size（前面定义了为8）个样本进行训练，开始就是0-8，...一直到120-128
start = (i * batch_size) % dataset_size
end = min(start+batch_size, dataset_size)
# 使用选取的这么多个样本来进行训练并更新参数，y是训练出来的预测值（有x给出就能计算y，所有字典里只用给出x和y_的值）
# y_是真实值,feed_dict是一个字典，需要传值给占位符，如下的cross_entropy需要x和y_的值
sess.run(train_step, feed_dict={x: X[start:end], y_:Y[start:end]})
if i % 1000 == 0:
# 每隔1000轮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 steps,cross entropy on all data is %s"%(i, total_cross_entropy))
'''
输出结果：
After 0 training steps,cross entropy on all data is 1.89805
After 1000 training steps,cross entropy on all data is 0.655075
After 2000 training steps,cross entropy on all data is 0.626172
After 3000 training steps,cross entropy on all data is 0.615096
After 4000 training steps,cross entropy on all data is 0.610309
'''
# 训练之后再次输出神经网络的参数值：
print(sess.run(w1))
print(sess.run(w2))
''''
这两个参数是训练后更新的结果：
w1:[[ 0.02476984 0.5694868 1.69219422]
[-2.19773483 -0.23668921 1.11438966]]
w2: [[-0.45544702]
[ 0.49110931]
[-0.9811033 ]]
'''
3、完整代码
import tensorflow as tf
from numpy.random import RandomState
# 用numpy来生成一个模拟的数据集
# 定义训练数据batch的大小，在这里设置了一批批的
batch_size = 8
# 定义神经网络的参数
w1 = tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1)) # normol为正态分布，stddev是均值，seed是标准差
w2 = tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1))
# 在shape的一个维度上使用None可以方便使用不同的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数据。数据集比较小时可以这样做，大了可能会导致内存溢出。
# x为输入，y_为预测输出，还没有数据，先放在placeholder里，即用占位符表示
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，matmul为矩阵乘法
a = tf.matmul(x, w1)
y = tf.matmul(a, w2)
# 得到的y是一个数，通过sigmoid转化成一个0-1的数
y = tf.sigmoid(y)
# 定义损失函数为交叉熵
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)))
# 定义反向传播的算法，使得在当前batch下损失函数最小
train_step = tf.train.AdamOptimizer(0.001).minimize(cross_entropy)
# 通过随机数生成一个模拟数据
rdm = RandomState(1)
dataset_size = 128
X = rdm.rand(dataset_size, 2) # 128组数据，每组两个x1和x2
# 定义一个Y规则，在这里x1+x2<1的样例都被认为是正样本，其他为负。
# 在这里使用0来表示负样本，1表示正样本：int里面为真就为1，假则为0
Y = [[int(x1 + x2 < 1)] for (x1, x2) in X]
# 准备工作都做好了，开始运行，创建一个会话Session来运行tf程序
with tf.Session() as sess:
init_op = tf.global_variables_initializer() # 初始化变量，global初始化所有变量
sess.run(init_op)
# 训练前先输出看下参数：w1是2*3矩阵，w2是3*1矩阵
print(sess.run(w1))
print(sess.run(w2))
'''
在训练前神经网络参数的值：
w1 = [[-0.81131822 1.48459876 0.06532937]
[-2.4427042 0.0992484 0.59122431]]
w2 = [[-0.81131822]
[ 1.48459876]
[ 0.06532937]]
'''
# 定义训练的轮数
STEPS = 5000
for i in range(STEPS):
# 每次选取batch_size（前面定义了为8）个样本进行训练，开始就是0-8，...一直到120-128
start = (i * batch_size) % dataset_size
end = min(start+batch_size, dataset_size)
# 使用选取的这么多个样本来进行训练并更新参数，y是训练出来的预测值（有x给出就能计算y，所有字典里只用给出x和y_的值）
# y_是真实值,feed_dict是一个字典，需要传值给占位符，如下的cross_entropy需要x和y_的值
sess.run(train_step, feed_dict={x: X[start:end], y_:Y[start:end]})
if i % 1000 == 0:
# 每隔1000轮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 steps,cross entropy on all data is %s"%(i, total_cross_entropy))
'''
输出结果：
After 0 training steps,cross entropy on all data is 1.89805
After 1000 training steps,cross entropy on all data is 0.655075
After 2000 training steps,cross entropy on all data is 0.626172
After 3000 training steps,cross entropy on all data is 0.615096
After 4000 training steps,cross entropy on all data is 0.610309
'''
# 训练之后再次输出神经网络的参数值：
print(sess.run(w1))
print(sess.run(w2))
''''
这两个参数是训练后更新的结果：
w1:[[ 0.02476984 0.5694868 1.69219422]
[-2.19773483 -0.23668921 1.11438966]]
w2: [[-0.45544702]
[ 0.49110931]
[-0.9811033 ]]
'''