机器学习之路： tensorflow 一个最简单的神经网络

git: https://github.com/linyi0604/MachineLearning/tree/master/07_tensorflow/

 import tensorflow as tf
 # 利用numpy生成数据模拟数据集
 from numpy.random import RandomState
 
 # 定义一个训练数据batch的大小
 batch_size = 8
 
 # 定义神经网络的参数
 w1 = tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1))
 w2 = tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1))
 
 # 行数指定为None  会根据传入的行数动态变化
 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
 a = tf.matmul(x, w1)
 y = tf.matmul(a, w2)
 
 # 定义损失函数和反向传播的算法
 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)
 
 # 利用随机数生成数据集
 rdm = RandomState(1)
 dataset_size = 128
 X = rdm.rand(dataset_size, 2)
 Y = [[int(x1+x2 < 1)] for (x1, x2) in X]
 
 # 开启会话
 with tf.Session() as sess:
     init_op = tf.initialize_all_variables()
     # 初始化变量
     sess.run(init_op)
     print("训练之前的权重w1和2:")
     print(sess.run(w1))
     print(sess.run(w2))
 
     # 设定迭代次数
     STEPS = 5000
     for i in range(STEPS):
         # 每次选batch个样本进行训练
         start = (i * batch_size) % dataset_size
         end = min(start + batch_size, dataset_size)
         # 选取样本训练神经网络
         sess.run(train_step, feed_dict={x: X[start: end], y_: Y[start: end]})
         # 每隔一段时间计算所有数据上的交叉熵并输出
         if i % 1000 == 0:
             total_cross_entropy = sess.run(cross_entropy, feed_dict={x: X, y_: Y})
             print("第%d次迭代:交叉熵为%s" % (i, total_cross_entropy))
     print("训练之后的权重w1和w2分别是:")
     print(sess.run(w1))
     print(sess.run(w2))
 
 '''
 练之前的权重w1和2:
 [[-0.8113182   1.4845988   0.06532937]
  [-2.4427042   0.0992484   0.5912243 ]]
 [[-0.8113182 ]
  [ 1.4845988 ]
  [ 0.06532937]]
 
 第0次迭代:交叉熵为0.067492485
 第1000次迭代:交叉熵为0.016338505
 第2000次迭代:交叉熵为0.009075474
 第3000次迭代:交叉熵为0.007144361
 第4000次迭代:交叉熵为0.005784708
 
 训练之后的权重w1和w2分别是:
 [[-1.9618274  2.582354   1.6820377]
  [-3.4681718  1.0698233  2.11789  ]]
 [[-1.8247149]
  [ 2.6854665]
  [ 1.418195 ]]
 '''