Tensorflow 中一个简单的入门级别全神经网络样例程序

博客介绍了在模拟数据集上训练神经网络解决二分类问题。给出完整程序，该网络为入门级全神经网络，包含输入层、隐藏层、输出层，采用前向传播和后向传播方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在一个模拟数据集上训练神经网络。下面给出了一个完整的程序来训练神经网络解决二分类问题

这是普通的入门级别的全神经网络

包括输入层、隐藏层、输出层，前向传播和后向传播方法

import tensorflow as tf
from numpy.random import RandomState

batch_size=8

w1=tf.Variable(tf.random_normal(([2,3]),stddev=1.0,seed=1) ) # 使用正态分布 生成一个 2行3列的矩阵，

w2=tf.Variable(tf.random_normal(([3,1]),stddev=1.0,seed=1))  # 使用正态分布 生成一个 3行1列的矩阵

x=tf.placeholder(tf.float32,shape=[None,2],name = 'x-input')

y_=tf.placeholder(tf.float32,shape=[None,1],name='y-input')  #标准答案

# 前向传播
a=tf.matmul(x,w1)

y=tf.matmul(a,w2)

# 自定义损失函数 反向传播的算法。

y= tf.sigmoid(y)

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)

# 随机生成数据集
rdm=RandomState(1)

dataset_size=128

X=rdm.rand(dataset_size,2)

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



init_op=tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init_op)
    print(sess.run(w1))
    print(sess.run(w2))


    STEPS=5000

    for i in range(STEPS):
        start=(i*batch_size) % dataset_size
        end=min(start+batch_size,dataset_size)

        sess.run(train_step,feed_dict={x:X[start:end],y_:Y[start:end]})

        if i%1000==0:
            total_cross_entropy = sess.run(
                cross_entropy, feed_dict = {x: X, y_: Y} )

            print("After ",i," steps total_cross_entropy is :",total_cross_entropy)

    print(sess.run(w1))

    print(sess.run(w2))

结果如下：