完整神经网络样例程序

#完整的神经网络样例程序
#下面给出了一个完整的程序来训练神经网络解决二分类问题

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),name = 'x-input')
y_ = tf.placeholder(tf.float32,shape=(None,1),name = 'y-input')


#定义神经网络前向传播过程
a = tf.matmul(x,w1)
y = tf.matmul(a,w2)




#定义损失函数和反向传播算法
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)


#通过随机数生成一个模拟数据集
rdm = RandomState(1)
dataset_size = 128
X = rdm.rand(dataset_size,2)


Y = [[int(x1+x2<1)] for (x1,x2) in X]


#创建一个会话来运行tensorflow程序
with tf.Session() as sess:
    init_op = tf.initialize_all_variables()
    sess.run(init_op)
    print(sess.run(w1))
    print(sess.run(w2))


    STEPS = 5000
    for i in range(STEPS):
        start = (i*batch_size) % dataset_size
        end = min(start+batch_size,dataset_size)
        
        #通过选取的样本训练神经网络并更新参数
        sess.run(train_step,feed_dict = {x:X[start:end],y_:Y[start:end]})
        if i%1000 == 0:
            #每隔一段时间计算在所有数据上的交叉熵并输出，交叉熵越小说明预测的结果和真实的结果差距越小
            total_cross_entropy = sess.run(
                cross_entropy,feed_dict={x:X,y_:Y})
        print("After %d training step,cross entropy on all data is %g" % (1,total_cross_entropy))
        print(sess.run(w1))

        print(sess.run(w2))

‘’‘上面的程序实现了训练神经网络的全部过程，从这段程序中可以总结出训练神经网络的过程可以分为一下3个步骤：

1.定义神经网络的结构和向前传播的输出结果

2.定义损失函数以及选择反向传播优化算法

        3.生成会话并且在训练数据上反复运行反向传播优化算法

’‘’

以上内容均摘自《tensorflow-实战google深度学习框架》 一书