机器学习之路： tensorflow 一个最简单的神经网络

git: https://github.com/linyi0604/MachineLearning/tree/master/07_tensorflow/

 1 import tensorflow as tf
 2 # 利用numpy生成数据模拟数据集
 3 from numpy.random import RandomState
 4 
 5 
 6 # 定义一个训练数据batch的大小
 7 batch_size = 8
 8 
 9 # 定义神经网络的参数
10 w1 = tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1))
11 w2 = tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1))
12 
13 # 行数指定为None  会根据传入的行数动态变化
14 x = tf.placeholder(tf.float32, shape=(None, 2), name="x_input")
15 y_ = tf.placeholder(tf.float32, shape=(None, 1), name="y_input")
16 
17 # 定义神经网络前向传播
18 a = tf.matmul(x, w1)
19 y = tf.matmul(a, w2)
20 
21 # 定义损失函数和反向传播的算法
22 cross_entropy = -tf.reduce_mean(y_ * tf.log(tf.clip_by_value(y, 1e-10, 1.0)))
23 train_step = tf.train.AdamOptimizer(0.001).minimize(cross_entropy)
24 
25 # 利用随机数生成数据集
26 rdm = RandomState(1)
27 dataset_size = 128
28 X = rdm.rand(dataset_size, 2)
29 Y = [[int(x1+x2 < 1)] for (x1, x2) in X]
30 
31 # 开启会话
32 with tf.Session() as sess:
33     init_op = tf.initialize_all_variables()
34     # 初始化变量
35     sess.run(init_op)
36     print("训练之前的权重w1和2:")
37     print(sess.run(w1))
38     print(sess.run(w2))
39 
40     # 设定迭代次数
41     STEPS = 5000
42     for i in range(STEPS):
43         # 每次选batch个样本进行训练
44         start = (i * batch_size) % dataset_size
45         end = min(start + batch_size, dataset_size)
46         # 选取样本训练神经网络
47         sess.run(train_step, feed_dict={x: X[start: end], y_: Y[start: end]})
48         # 每隔一段时间计算所有数据上的交叉熵并输出
49         if i % 1000 == 0:
50             total_cross_entropy = sess.run(cross_entropy, feed_dict={x: X, y_: Y})
51             print("第%d次迭代:交叉熵为%s" % (i, total_cross_entropy))
52     print("训练之后的权重w1和w2分别是:")
53     print(sess.run(w1))
54     print(sess.run(w2))
55 
56 
57 '''
58 练之前的权重w1和2:
59 [[-0.8113182   1.4845988   0.06532937]
60  [-2.4427042   0.0992484   0.5912243 ]]
61 [[-0.8113182 ]
62  [ 1.4845988 ]
63  [ 0.06532937]]
64  
65 第0次迭代:交叉熵为0.067492485
66 第1000次迭代:交叉熵为0.016338505
67 第2000次迭代:交叉熵为0.009075474
68 第3000次迭代:交叉熵为0.007144361
69 第4000次迭代:交叉熵为0.005784708
70 
71 训练之后的权重w1和w2分别是:
72 [[-1.9618274  2.582354   1.6820377]
73  [-3.4681718  1.0698233  2.11789  ]]
74 [[-1.8247149]
75  [ 2.6854665]
76  [ 1.418195 ]]
77 '''