TensorFlow实现简单的二分类神经网络

骑猪看日落 2022-05-20 00:54 362阅读 0赞

# 环境 #

Window10+Python3.6+TensorFlow1.8.0

# 基本概念 #

TensorFlow里面最基本的三个概念：计算图（tf.Graph）、张量（tf.Tensor）、会话（tf.Session）

计算图：是TensorFlow的计算模型，所有TensorFlow的程序都会通过计算图的形式表示。

张量：是TensorFlow的数据模型，TensorFlow中的所有输入输出都是张量，说白了，就是多维数组，张量本身 不存储任何数据，它只是对运算结果的引用。

会话：会话是TensorFlow的运算模型，它管理了一个TensorFlow程序拥有的系统资源，所有的运算都要通过会话来执行。

# 代码 #

第一个实践--二分类神经网络

#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
    #二分类问题
    import tensorflow as tf
    #这里用Numpy生成模拟数据集
    from numpy.random import RandomState
    
    #定义训练数据batch的大小
    batch_size = 8
    
    #定义神经网络参数，这里还是沿用了前面的神经网络结构
    #tf.Variable添加图变量
    #tf.random_normal()函数用于从服从指定正太分布的数值中取出指定个数的值。
    #参数： shape: 输出张量的形状，必选
    #    mean: 正态分布的均值，默认为0
    #    stddev: 正态分布的标准差，默认为1.0
    #    dtype: 输出的类型，默认为tf.float32
    #    seed: 随机数种子，是一个整数，当设置之后，每次生成的随机数都一样
    #   name: 操作的名称
    w1 = tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))
    w2 = tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))
    
    #定义placeholder作为存放输入数据的地方，这里维度不一定要定义
    x = tf.placeholder(tf.float32,shape=(None,2),name = 'x-input')
    y_ = tf.placeholder(tf.float32,shape=(None,1),name = 'y-input')#用做标签
    
    #定义神经网络前向传播的过程，就是矩阵相乘
    a = tf.matmul(x,w1)
    y = tf.matmul(a,w2)
    
    #定义损失函数和反向传播算法
    #用sigmoid将函数收敛到0~1之间
    y = tf.sigmoid(y)
    
    #定义交叉熵损失函数，用于权衡输出值和标签值的差异
    cross_entropy = -tf.reduce_mean(
        y_*tf.log(tf.clip_by_value(y,1e-10,1.0))
        +(1-y)*tf.log(tf.clip_by_value(1-y,1e-10,1.0))
    )
    
    #优化算法lr=0.001
    train_step = tf.train.AdamOptimizer(0.001).minimize(cross_entropy)
    
    #通过随机数生成一个模拟的数据集，该状态设置为1
    rdm = RandomState(1)
    dataset_size = 128
    X = rdm.rand(dataset_size,2)#数据大小为128个
    #定义规则来给出样本的标签，这里x1+x2<1的样本都被认为是正样本，反之是负样本
    #这里使用0和1来表示正负样本
    Y = [[int(x1+x2<1)] for (x1,x2) in X]#就是一个打标签的过程
    
    #创建一个会话来运行TensorFlow程序
    with tf.Session() as sess:
        init_op = tf.global_variables_initializer()#全体初始化
        sess.run(init_op)#先跑一下初始化是必须的
    
        print(sess.run(w1))#输出看看当前的参数
        print(sess.run(w2))
    
    #设定训练的轮数
        STEPS = 5000
        for i in range(STEPS):
            start = (i*batch_size)%dataset_size#每次选取batch_size个样本进行训练
            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:
                total_cross_entropy = sess.run(cross_entropy,feed_dict={x:X,y_:Y})
                print("cross entropy on all data is",total_cross_entropy)
        print(sess.run(w1))
        print(sess.run(w2))

运行截图：

![70][]

[70]: /images/20220520/e4c53a96b064462d9857e297845a3d5f.png