Tensorflow 学习一

使用tensorflow训练一个最简单的网络，从中初步了解tensorflow的使用，参考书籍：《tensorflow实战》

很简单，直接代码了

# encoding=utf-8
import tensorflow as tf
from numpy.random import RandomState

batch_size = 8

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

x = tf.placeholder(tf.float32, shape=(None,2))
y_ = tf.placeholder(tf.float32, shape=(None,1))

# 前向传播过程
a = tf.matmul(x, w1)
y = tf.matmul(a, w2)

# 定义损失函数和反向传播算法，损失函数这里用交叉熵
cross_entropy = -tf.reduce_mean(y_ * tf.log(tf.clip_by_value(y, 1e-10, 1.0)))
learning_rate = 0.001
train_step = tf.train.AdamOptimizer(learning_rate).minimize(cross_entropy)

# 创建一个随机的训练数据集
ram = RandomState(1)
dataset_size = 128
X = ram.rand(dataset_size, 2)
Y = [[int(x1+x2 < 1)] for (x1,x2) in X]

with tf.Session() as sess:
    init_op = tf.initialize_all_variables()
    sess.run(init_op)
    STEPS = 5000          # 训练次数
    for i in range(5000) : 
        start = (i * batch_size) % dataset_size
        end = min(start+batch_size, dataset_size)
        sess.run(train_step, feed_dict={x:X[start:end],y_:Y[start:end]})
    
    # 输出训练好的参数
    print(sess.run(w1))
    print(sess.run(w2))

    # 使用训练好的模型，就是使用一次前向传播
    print(sess.run(y, feed_dict={x:[[0.7,0.9], [2,3], [3,2]]}))

上面的程序实现了训练神经网络的全部过程。从这段程序可以总结出训练神经网络的过程可以分为以下三个步骤：

1. 定义神经网络的结构和前向传播的输出结果。
2. 定义损失函数以及选择反向传播优化书算法。
3. 生成回话tf.Session，并且在训练数据上反复运行反向传播优化算法。