tensorflow 神经网络解决二分类问题

import tensorflow as tf

from numpy.random import RandomState

# 定义训练数据batch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可以方便使用不大的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的数据。当数据集比较小时这样比较

# 方便测试，但数据集比价大时，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')

y_ = tf.placeholder(tf.float32, shape=(None, 1), name='y-input')

# 定义神经网络前向传播的过程

a = tf.matmul(x, w1)

y = tf.matmul(a, w2)

# 定义损失函数和反向传播算法

cross_entropy = -tf.reduce_mean(

    y_ * tf.log(tf.clip_by_value(y, 1e-10, 1.0)))

train_step = tf.train.AdamOptimizer(0.001).minimize(cross_entropy)

# 通过随机数生成一个模型数据集

rdm = RandomState(1)

dataset_size = 128

X = rdm.rand(dataset_size, 2)

# 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，

# 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的表示方法。

Y = [[int(x1+x2 < 1)] for (x1, x2) in X ]

# 创建一个会话来运行Tensorflow程序

with tf.Session() as sess:

    init_op = tf.initialize_all_variables()

# 初始化变量

    sess.run(init_op)

    print sess.run(w1)

    print sess.run(w2)

    '''在训练之前神经网络参数的值为：

    '''

# 设定训练的轮数

STEPS = 5000

for i in range(STEPS):

    # 每次选取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))

        '''

        输出结果：

        '''

    print sess.run(w1)

    print sess.run(w2)

    '''

    在训练之后神经网络参数的值：

    '''

上面的程序实现了训练神经网络的全部过程。从中可以总结出训练神经网络的过程可以分为以下3步：

1、定义神经网络的结构和前向传播的过程。

2、定义损失函数以及选择反向传播优化的算法。

3、生成会话（tf.Session）并且在训练数据上反复运行反向传播优化算法。

无论神经网络的结构如何变化，这3个步骤是不变的