Tensorflow学习之实现简单的神经网络

栖迟于一丘的《Tensorflow学习之旅》系列文章目录

　　关于神经网络的知识这里就不介绍了，重点关注实现方法。

　　tensorflow中tf.Variable()用于保存和更新参数，tf.matmul()用于矩阵计算，tf.random_normal()定义正太分布。先来看一个前向传播计算：

import tensorflow as tf

#定义变量
w1= tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1))
#stddev为标准差，seed为随机种子
w2= tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1))
x = tf.constant([[0.7, 0.9]]) #tf.constant()设定固定值

#定义前向传播网络
a = tf.matmul(x, w1)
y = tf.matmul(a, w2)

#定义会话运算
sess = tf.Session()
sess.run(w1.initializer)  
sess.run(w2.initializer)  
print(sess.run(y))  
sess.close()

　　上面是一个三层神经网络计算，如果是复杂网络的初始化，可以使用

init_op=tf.global_variables_initializer()
print(sess.run(init_op))

　　来初始化（注意，旧版方法是init_op=tf.initialize_all_variables()）

2.

　　另一种方法是使用placeholder机制来定义计算。其中feed_dict是一个字典，定义了placeholder的取值，即y的值。

import tensorflow as tf

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=(1, 2), name="input")**
a = tf.matmul(x, w1)
y = tf.matmul(a, w2)

sess = tf.Session()

init_op = tf.global_variables_initializer()  
sess.run(init_op)

print(sess.run(y, feed_dict={x: [[0.7,0.9]]}))

　　如果使用反向传播来定义神网络则需要设定更复杂的参数：

import tensorflow as tf
from numpy.random import RandomState

#参数设定包括输入输出节点

batch_size = 8 #每次选取的样本数
w1= tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1))
w2= tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1))
x = tf.placeholder(tf.float32, shape=(None, 2), name="x-input")
y_= tf.placeholder(tf.float32, shape=(None, 1), name='y-input')

#定义前向传播过程，损失函数及反向传播算法
a = tf.matmul(x, w1)
y = tf.matmul(a, w2)
#反向传播，除了AdamOptimizer还有其它优化方法
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)

#生成模拟数据集，这里定义的规则是x1+x2<1表示合格的样本
rdm = RandomState(1)
X = rdm.rand(128,2)
Y = [[int(x1+x2 < 1)] for (x1, x2) in X]

#创建一个会话来运行程序
with tf.Session() as sess:
    init_op = tf.global_variables_initializer()
    sess.run(init_op)

    # 输出目前（未经训练）的参数取值。
    print(u"未训练参数是")
    print ("w1:", sess.run(w1))
    print ("w2:", sess.run(w2))
    print ("\n")

    # 训练模型。
    STEPS = 5000 #设定训练轮数
    for i in range(STEPS):
        start = (i*batch_size) % 128
        end = (i*batch_size) % 128 + batch_size
        sess.run(train_step, feed_dict={x: X[start:end], y_: Y[start:end]})
        if i % 1000 == 0:
            total_cross_entropy = sess.run(cross_entropy, feed_dict={x: X, y_: Y})
            print(u"在第 %d 次训练后, 所有数据的交叉熵是 %g" % (i, total_cross_entropy))

    # 输出训练后的参数取值。
    print ("\n")
    print(u"训练后参数是")   
    print ("w1:", sess.run(w1))
    print ("w2:", sess.run(w2))

　　以上就是使用tensorflow实现简单的神经网络。