Tensorflow搭建一个简单的神经网络

搭建神经网络的八股：准备，前传，反传，迭代
1. 准备：import相关模块，输入相关数据集
2. 前向传播：搭建网络结构：定义输入，参数和输出。例如x=,y_=,w1=,w2=,a=,y=,
3. 反向传播：训练网络参数：定义损失函数，反向传播方法loss=，train_step=
4. 生成会话，训练steps轮

例：生成如下图的神经网络模型

#本函数模型没有反传，为最简单的两层神经网
import tensorflow as tf#导入包
#两层简单神经网络
#定义输入和参数
x=tf.placeholder(tf.float32,shape=(None,2))
w1=tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))
w2=tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))
# 定义前向传播过程
a=tf.matmul(x,w1)#训练第一层网络
y=tf.matmul(a,w2)#训练输出层网络
# 用绘画计算结果
with tf.Session() as sess:
    init_op=tf.global_variables_initializer()#初始化所有节点
    sess.run(init_op)#运算
    print(sess.run(y,feed_dict={x:[[0.7,0.5]]}))

结果：
例：训练一个有反传的神经网络模型

import tensorflow as tf
import numpy as np
BATCH_size=8#一次喂入神经网络多少组数据，不可以过大
seed=23455#生成的结果是一样的
#基于seed产生随机数
rng=np.random.RandomState(seed)
#随机数返回32行两列矩阵，表示32组体积和重量作为输入数据
X=rng.rand(32,2)
#从X这个32行两列的矩阵中取出一行，判断如果和小于1给Y赋值为1，
# 如果不小于1，给Y赋值为0,作为输入数据集的标签
Y=[[int(x0+x1<1)]for (x0,x1) in X]

#定义神经网络的输入，参数和输出。定义前向传播过程
x=tf.placeholder(tf.float32,shape=(None,2))#不知道传入多少组数据，用place holder占位
y_=tf.placeholder(tf.float32,shape=(None,1))#合格的标签

w1=tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))
w2=tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))
a=tf.matmul(x,w1)
y=tf.matmul(a,w2)

#定义损失函数及反向传播方法
loss=tf.reduce_mean(tf.square(y-y_))#利用均方误差计算loss（相当于一个损失函数）
train_step=tf.train.GradientDescentOptimizer(0.001).minimize(loss)
# train_step=tf.train.MomentumOptimizer(0.001).minimize(loss)#可使用这三个优化方法，可以试一下哪个效果比较好
# train_step=tf.train.AdadeltaOptimizer(0.001).minimize(loss)

#生成会话，训练steps轮
with tf.Session() as sess:
    init_op=tf.global_variables_initializer()#初始化所有参数
    sess.run(init_op)

    #训练模型
    steps=3000
    for i in range(steps):
        start=(i*BATCH_size)%32
        end=start+BATCH_size
        sess.run(train_step,feed_dict={x:X[start:end],y_:Y[start:end]})
        if i%500==0:
            total_loss=sess.run(loss,feed_dict={x:X,y_:Y})
            print("after %d training steps,loss on all data is %g"%(i,total_loss))

结果：