TensorFlow平台下Python实现神经网络

本篇文章主要通过一个简单的例子来实现神经网络。训练数据是随机产生的模拟数据集，解决二分类问题。

下面我们首先说一下，训练神经网络的一般过程：

1.定义神经网络的结构和前向传播的输出结果

2.定义损失函数以及反向传播优化的算法

3.生成会话(Session)并且在训练数据上反复运行反向传播优化算法

要记住的一点是，无论神经网络的结构如何变化，以上三个步骤是不会改变的。

完整代码如下：

import tensorflow as tf #导入TensorFlow工具包并简称为tf  from numpy.random import RandomState #导入numpy工具包，生成模拟数据集  batch_size = 8 #定义训练数据batch的大小  w1 = tf.Variable(tf.random_normal([2,3],stddev=1,seed=1)) w2 = tf.Variable(tf.random_normal([3,1],stddev=1,seed=1)) #分别定义一二层和二三层之间的网络参数，标准差为1，随机产生的数保持一致  x = tf.placeholder(tf.float32,shape=(None,2),name='x-input') y_ = tf.placeholder(tf.float32,shape=(None,1),name='y-input') #输入为两个维度，即两个特征，输出为一个标签,声明数据类型float32，None即一个batch大小 #y_是真实的标签  a = tf.matmul(x,w1) y = tf.matmul(a,w2) #定义神经网络前向传播过程  cross_entropy = -tf.reduce_mean(y_ * tf.log(tf.clip_by_value(y,1e-10,1.0))) train_step = tf.train.AdamOptimizer(0.001).minimize(cross_entropy) #定义损失函数和反向传播算法  rdm = RandomState(1) dataset_size = 128 #产生128组数据 X = rdm.rand(dataset_size,2) Y = [[int(x1+x2 < 1)] for (x1,x2) in X] #将所有x1+x2<1的样本视为正样本，表示为1；其余为0  #创建会话来运行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))  #打印出训练网络之前网络参数的值   STEPS = 5000  #设置训练的轮数  for i in range(STEPS):   start = (i * batch_size) % dataset_size   end = min(start+batch_size,dataset_size)  #每次选取batch_size个样本进行训练     sess.run(train_step,feed_dict={x:X[start:end],y_:Y[start:end]})  #通过选取的样本训练神经网络并更新参数     if i%1000 == 0:    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))  #每隔一段时间计算在所有数据上的交叉熵并输出，随着训练的进行，交叉熵逐渐变小   print(sess.run(w1))  print(sess.run(w2))  #打印出训练之后神经网络参数的值 

运行结果如下：

结果说明：

首先是打印出训练之前的网络参数，也就是随机产生的参数值，然后将训练过程中每隔1000次的交叉熵输出，发现交叉熵在逐渐减小，说明分类的性能在变好。最后是训练网络结束后网络的参数。