使用Tensorflow实现一个简单的神经网络

• 输入层、隐藏层、输出层的数目分别为2、3、1；
• 隐藏层和输出层的激活函数使用的是 ReLU；
• 训练的样本总数为 512，每次迭代读取的批量为 10；
• 交叉熵为损失函数，并使用 Adam 优化算法进行权重更新。

import tensorflow as tf  
from numpy.random import RandomState     

batch_size= 10  
w1=tf.Variable(tf.random_normal([ 2 , 3 ],stddev= 1 ,seed= 1 ))  
w2=tf.Variable(tf.random_normal([ 3 , 1 ],stddev= 1 ,seed= 1 ))     

# None 可以根据batch 大小确定维度，在shape的一个维度上使用None  
x=tf.placeholder(tf.float32,shape=( None , 2 ))  
y=tf.placeholder(tf.float32,shape=( None , 1 ))     

#激活函数使用ReLU  
a=tf.nn.relu(tf.matmul(x,w1))  
yhat=tf.nn.relu(tf.matmul(a,w2))     

#定义交叉熵为损失函数，训练过程使用Adam算法最小化交叉熵  
cross_entropy=-tf.reduce_mean(y*tf.log(tf.clip_by_value(yhat, 1e-10 , 1.0 )))  
# Adam提供学习速率和损失函数两个参数，更新权重
train_step=tf.train.AdamOptimizer(0.001).minimize(cross_entropy)   
# 随机数种子随便设定
rdm= RandomState(1)  
data_size= 516     

#生成两个特征，共data_size个样本  
X=rdm.rand(data_size, 2)  

#定义规则给出样本标签，所有x1+x2<1的样本认为是正样本，其他为负样本。Y，1为正样本  
Y = [[int(x1+x2 < 1 )]  for  (x1, x2)  in  X]   
with  tf. Session ()  as  sess:      
    sess.run(tf.global_variables_initializer())       
    print (sess.run(w1))       
    print (sess.run(w2))      
    steps= 11000     
    for  i  in  range(steps):              
        #选定每一个批量读取的首尾位置，确保在1个epoch内采样训练          
        start = i * batch_size % data_size          
        end = min(start + batch_size,data_size)          
        sess.run(train_step,feed_dict={x:X[start:end],y:Y[start:end]}) 
        # 每1000次输出一次结果
        if  i %  1000  ==  0 :              
            training_loss= sess.run(cross_entropy,feed_dict={x:X,y:Y})               
            print( "在迭代 %d 次后，训练损失为 %g" %(i,training_loss))  

注意：
tf.nn.relu() 代表调用 ReLU 激活函数；
tf.matmul() 为矩阵乘法；
tf.clip_by_value(yhat,1e-10,1.0) 这一语句代表的是截断 yhat 的值，因为这一语句是嵌套在 tf.log() 函数内的，所以要确保 yhat 的取值不会导致对数无穷大；
tf.train.AdamOptimizer(learning_rate).minimize(cost_function) 是进行训练的函数，其中采用的是 Adam 优化算法更新权重，并且需要提供学习速率和损失函数这两个参数；
后面就是生成训练数据，X=rdm.rand(512,2) 表示随机生成 512 个样本，每个样本有两个特征值。

最后就是迭代运行了，这里计算出每一次迭代抽取数据的起始位置（start）和结束位置（end），并且每一次抽取的数据量为前面我们定义的批量，如果一个 epoch 最后剩余的数据少于批量大小，那就只是用剩余的数据进行训练。
最后两句代码是为了计算训练损失并迭代一些次数后输出训练损失。这一部分代码运行的结果如下：