Tensorflow实战-完整神经网络样例

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

#Numpy是一个科学计算的工具包，这里通过Numpy工具包生成模拟数据集，也可以从已有的文件中导入数据
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，这里还是沿用上一篇博文中给出的神经网络结构。
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的数据。当数据集比较小时这样比较
#方便测试，当数据集比较大时，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),name='y-input')

#定义神经网络前线传播的过程。
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)

#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)
#定义规则来给出样本的标签。在这里所有x1+x2<1的样本都被认为是正样本（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，
#在这里使用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.global_variables_initializer()
    #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；
    w1 = [[-0.81131882,1.48459876,0.06532937]
            [-2.44270396,0.0992484,0.59122431]]
    w2 = [[-0.81131822],[1.48459876],[0.06532937]]
    '''

    #设定训练轮数。
    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：
        After 0 training step(s),cross entropy on all data is 0.266366
        After 1000 training step(s),cross entropy on all data is 0.152499
        After 2000 training step(s),cross entropy on all data is 0.0942591
        After 3000 training step(s),cross entropy on all data is 0.0633092
        After 4000 training step(s),cross entropy on all data is 0.044765
        
        通过这个结果可以发现随着训练的进行，交叉熵是逐渐变小的。交叉熵越小说明预测的结果和真实的结果差距越小。
        '''

    print (sess.run(w1))
    print (sess.run(w2))
    '''
    在训练之后神经网络参数的值：
    w1 = [[-1.748612    2.3798532   1.3092258 ]
            [-3.3741107   0.99000514  1.8207425 ]]
    w2 = [  [-1.6792505]
            [ 2.474878 ]
            [ 1.1113052]]
    
    可以发现这两个参数的取值已经发生了变化，这个变化就是训练的结果。
    它使得这个神经网络能更好地你和提供的训练数据。
    '''

 TensofFlow提供了placeholder机制用于提供输入数据，placeholder相当于定义了一个位置，这个位置中的数据在程序运行时再指定。这样在程序中就不需要生成大量常量来提供输入数据，而只需要将数据通过placeholder传入TensofFlow计算图。