Tensorflow实例：神经网络解决二分类问题

Tensorflow实例：神经网络解决二分类问题

目的

通过《TensorFlow：实战Google深度学习框架》中的实例：神经网络解决二分类问题，熟悉完整的Tensorflow程序来训练神经网络

代码

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")

a = tf.matmul(x, w1)
y = tf.matmul(a, w2)

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)

rdm = RandomState(1)
dataset_size = 128
X = rdm.rand(dataset_size, 2)

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

with tf.Session() as sess:
init_op = tf.global_variables_initializer()
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)

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("After %d training step(s), cross entropy on all data is %g" % (i, total_cross_entropy))

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

总结

下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3个步骤：

定义神经网络的结构和前向传播的输出结果。

定义损失函数以及选择反向传播优化的算法。

生成会话（tf.Session）并且在训练数据上反复运行反向传播优化算法

无论神经网络的结构如何变化，这3个步骤是不变的。