简单神经网络解决二分类问题示例（Tensorflow）

简单神经网络解决二分类问题示例（Tensorflow）

---

1. 定义神经网络的结构和前向传播输出结果
2. 定义损失函数以及选择反向传播优化算法
3. 生成会话（tf.Session）并在训练数据上反复运行反向传播优化算法

---

import tensorflow as tf
from numpy.random import RandomState

batch_size = 8
#定义神经网络参数
w1 = tf.Variable(tf.random_normal([2, 3],stddev = 1, seed = 1))
w2 = tf.Variable(tf.random_normal([3, 1],stddev = 1, seed = 1))
#神经网络输出 预测输出
x = tf.placeholder(tf.float32, shape=(None, 2),name = 'x-input')
y_ = tf.placeholder(tf.float32, shape=(None,1), name = 'y-input')
#定义神经网络结构
a = tf.matmul(x, w1)
y = tf.matmul(a, w2)
#定义代价函数 交叉熵
#tf.clip_by_value(y, 1e-10, 1.0)将y值限制在[0,1]之间，防止出错
cross_entropy = -tf.reduce_mean(\
y_ * tf.log(tf.clip_by_value(y, 1e-10, 1.0)))
#定义反向传播算法
train_step = tf.train.AdamOptimizer(0.001).minimize(cross_entropy)
#生成数据集
#RandomState(1)伪随机数发生器 参数1为伪随机数种子
#不同的种子产生不同的伪随机数，相同的种子产生相同的伪随机数
rdm = RandomState(1)
dataset_size = 128
#产生一个所有元素为0-1的均匀分布的dataset_size×2的矩阵 作为输入
X = rdm.rand(dataset_size, 2)
#对X中每行元素解析 如果之和小于1为1;之和大于1为0作为输出 相当于真实值
Y = [[int(x1 + x2 <1)] for (x1, x2) in X]
#创建一个会话运行Tensorflow
with tf.Session() as sess:
    init_op = tf.initialize_all_variables()
    sess.run(init_op)
    print(sess.run(w1))
    print(sess.run(w2))

    STEPS = 10000

    for i in range(STEPS):
        #选取batch_size个参数进行训练
        start = (i * batch_size) % dataset_size
        end = min(start + batch_size, dataset_size)

#训练神经网络变量tf.Variable
        sess.run(train_step,\
feed_dict = {x: X[start:end], y_: Y[start:end]})
#每1000步计算并输出一次交叉熵
        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))
#打印神经网络参数
    print(sess.run(w1))
    print(sess.run(w2))