# -*- coding: utf-8 -*-
"""
完整的神经网络样例
@author: Elijah
"""
import tensorflow as tf
#通过Numpy工具包生成模拟数据集
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))
#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。当数据集比较小时这样比较方便测试,但数据集比较大时,
#将大量数据放入一个batch可能导致数据溢出
#placeholder占位符,执行时,在通过feed_dict将值传入,dtype:数据类型,shape:数据形状,name:名称
#如果在定义占位符时,不能确定值的形状时,用None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
a = tf.matmul(x,w1)
y = tf.matmul(a,w2)
#定义损失函数和反向传播算法
y = tf.sigmoid(y)
#定义损失函数及反向传播算法
#cross_entropy是交叉熵
#tf.clip_by_value(A, min, max):输入一个张量A,把A中的每一个元素的值都压缩在min和max之间。
#小于min的让它等于min,大于max的元素的值等于max
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(0.001).minimize(cross_entropy)
#train_step=tf.train.GradientDescentOptimizer(0.001).minimize(cross_entropy)
#train_step=tf.train.MomentumOptimizer(0.001,0.9).minimize(cross_entropy)
#通过随机数生成一个模拟数据集
#randomState 函数中数字1,相当于一个seed种子,每次产生的随机数都是相同的
rdm = RandomState(1)
dataset_size = 128
#产生一个128行×2列的随机矩阵
X = rdm.rand(dataset_size,2)
#产生一个布尔型结果矩阵128×1
#使用0来表示负样本,1来表示正样本
Y = [[int(x1+x2 < 1)] for (x1,x2) in X]
#创建一个会话来运行Tensorflow程序,反复运行反向传播
#tf中运行必须放在session对象中,且运行过后,要关闭session
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("训练之前神经网络w1参数的值:")
print(sess.run(w1))
print("训练之前神经网络w2参数的值:")
print(sess.run(w2))
#设定训练的轮数
STEPS = 3
for i in range(STEPS):
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("训练 %d 次w1参数的值:" %i)
print (sess.run(w1))
print("训练 %d 次w2参数的值:" %i)
print (sess.run(w2))
搭建简单的神经网络
猜你喜欢
转载自blog.csdn.net/weixin_40330033/article/details/81139031
今日推荐
周排行