神经网络解决二分类问题

最新推荐文章于 2022-02-10 16:59:42 发布

神坑教无心

最新推荐文章于 2022-02-10 16:59:42 发布

阅读量1.8k

点赞数

CC 4.0 BY-SA版权

分类专栏： tensorflow

本文链接：https://blog.youkuaiyun.com/qq_34000894/article/details/80104643

该博客通过TensorFlow实现了一个神经网络模型，用于解决二分类问题。文章中详细介绍了模型的构建过程，包括权重初始化、损失函数定义、反向传播算法以及训练步骤。作者使用随机生成的数据集进行训练，并在每1000步后评估模型的交叉熵损失。最后，展示了训练后的权重值。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import tensorflow as tf
from numpy.random import RandomState


batch_size = 8
w1 = tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1))
w2 = tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1))
x = tf.placeholder(tf.float32, shape=(None, 2), name="x-input")
y_ = tf.placeholder(tf.float32, shape=(None, 1), name="y-input")

a = tf.matmul(x, w1)
y = tf.matmul(a, w2)


#定义损失函数和反向传播的算法
cross_entropy = -tf.reduce_mean(
        y_ * tf.log(tf.clip_by_value(y, 1e-10, 1.0)))
train_step = tf.train.AdadeltaOptimizer(0.001).minimize(cross_entropy)


#通过随机数生成一个模拟数据集
rdm = RandomState(1)
dataset_size = 128
X = rdm.rand(dataset_size, 2)
Y = [[int(x1+x2 < 1)] for (x1, x2) in X]


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


#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