TensorFlow学习总结（二）实现神经网络

一、神经网络的思想构架：

1.用神经网络解决分类问题的思想构架

1°提取问题中实体的特征向量作为神经网络的输入；

2°定义神经网络的结构，并定义如何从神经网络的输入得到输出；（即前向传播算法）

3°通过训练数据来调整神经网络中参数的取值，这就是训练神经网络的过程；

4°使用训练好的神经网络来预测未知的数据。（类似步骤2°）

2.训练神经网络的思想构架

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的算法；

3°生成会话，并在训练集上反复运行反向传播优化算法。

3.神经网络反向传播优化流程图

二、实现神经网络

训练神经网络全过程 

1°定义神经网络结构前向传播的预测值

组成部分提取：

        数据集大小：batch_size=8

        神经网络参数：w1[2,3]，w2[3,1]

        两个输入节点：x  

        一个输出节点：y_ (正确结果)

import tensorflow as tf

#通过Numpy工具包生成模拟训练集
from numpy.random import RandomState

#训练集大小
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))

#两个输入节点
x = tf.placeholder(tf.float32, shape=(None, 2), name='x-input')
#一个输出节点
y_ = tf.placeholder(tf.float32, shape=(None, 1), name='y-input')

前向传播获取预测值

        预测值：y

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

2°定义损失函数和反向传播算法

          损失函数：cross_entropy

          优化方法：train_step

#cross_entropy损失函数：定义了真实值和预测值之间的交叉熵。
cross_entropy = -tf.reduce_mean(                 #把所有数加起来取平均
    y_ *tf.log(tf.clip_by_value(y, 1e-10, 1.0)))
train_step = tf.train.AdadeltaOptimizer(0.001).minimize(cross_entropy)
#train_step反向传播优化方法。学习率为0.01

3°生成会话，并在训练集上反复运行反向传播优化算法

          模拟数据集：X

          样本标签：Y 

#随机生成模拟数据集
rdm = RandomState(1)
dataset_size = 128
X = rdm.rand(dataset_size, 2)#128行 2列
#定义规则给出样本标签
Y = [[int(x1+x2 < 1)] for (x1, x2) in X]
'''
设置回归的正确值为两个输入的和加上一个随机量。
之所以要加上一个随机量是为了加入不可预测的噪音，否则不同#损失函数的意义就不大了
，因为不同损失函数都会在能完全预测正确的时候最低。
一般来说噪音为一个均值为0的小#量，所以这里的噪音设置为-0.05 ~ 0.05的随机数
'''

#创建会话
with tf.Session() as sess:
    init_op = tf.initialize_all_variables()
    sess.run(init_op)

    print("w1", sess.run(w1))
    print("w2", sess.run(w2))

    #设定训练的轮数
    STEPS = 5000
    for i in range(STEPS):
        #每次选取batch_size个样本进行训练
        start = (i * batch_size) % dataset_size
        end = min(start+batch_size, dataset_size)

        #通过选取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
            total_cross_entropy = sess.run(
                cross_entropy, feed_dict={x:X, y_:Y})
            print("After %d trainingstep(s),cross entropy on all data is %g" % (i, total_cross_entropy))
             #查看训练之后神经网络参数的值
            print("ww1", sess.run(w1))
            print("ww2", sess.run(w2))