Tensorflow实战Google-第三章-简单神经网络

# 神经网络实现二分类问题tensorflow
import tensorflow as tf
from numpy.random import RandomState

# 定义一个batch的大小
batch_size = 8

# 定义初始化权重参数，stddev标准偏差，seed随机种子
# w1和w2分别表示第一列和第二列权重参数；这里的输入为2个参数x1+x2;隐藏层只有一层，有3个节点；
# 输出层只有一个节点；所以2-w1-3-w2-1::输入层-隐藏层-输出层
# random_normal表示随机生成矩阵，参数mean表示均值，不写默认为0，stddev表示标准差，
# seed表示选定一个初始态，以后每次运行时产生的随机数是一样的
w1 = tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))
w2 = tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))

# 输入输出（训练数据样本:x分别为输入特征，y_为对应的正确结果）
# placeholder用于暂时存储数据，第一个参数表示类型，第二个shape表示矩阵形式，
# （m,n）表示m*n,这里的None表示输入样本数量不确定，2表示特征值为2个，即x1+x2
x = tf.placeholder(tf.float32,shape=(None,2),name='x-input')
y_ = tf.placeholder(tf.float32,shape=(None,1),name='y-input')

# 传播过程,matmul为矩阵相乘，传播方向：x->a->y
a = tf.matmul(x,w1)
y = tf.matmul(a,w2)

# 定义损失函数和反向传播算法
# 学习率为0.001
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)

# 随机生成测试数据集
# RandomState(1),这里的1表示随机种子，表示固定，每次都不变，
# rdm = RandomState(i)就会变化
# 这里表示X为128*2；
rdm = RandomState(1)
dataset_size = 128
X = rdm.rand(dataset_size,2)

# 定义xi+x2<1时，y=1,为正样本；否则为负样本0
# Y= 0/1
Y = [[int(x1+x2 < 1)] for (x1 , x2) in X]

# 创建一个会话
with tf.Session() as sess:
    # 初始化相关变量
    init_op = tf.initialize_all_variables()
    sess.run(init_op)
    print(sess.run(w1))
    print(sess.run(w2))

    # 定义训练的轮数
    STEPS = 5000
    for i in range(STEPS):
        # 每次选取一个batch_size个样本，即8；进行训练
        start = (i*batch_size)%dataset_size
        end = min(start+batch_size,dataset_size)
        # 更新权重
        sess.run(train_step,feed_dict={x:X[start:end], y_:Y[start:end]})

        # 每训练1000次，就计算一次在所有数据上的交叉熵输出，便于观察
        if i%1000 == 0:
            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(sess.run(w1))
    print(sess.run(w2))