Tensorflow框架

搭建神经网络的八股：准备，前传，反传，迭代

1. 准备 import ，常量定义， 生成数据集
2. 前向传播： 定义输入，（标签），参数，和输出
3. 反向传播：定义损失函数，反向传播方法 loss= train_step=
4. 生成会话，训练STEPS轮

#coding:utf-8
#导入模块，生成模拟数据集
import tensorflow as tf 
import numpy as np
BATCH_SIZE = 8 #一次喂入网络多少数据
seed = 23455 

#基于seed产生随机数
rng = np.random.RandomState(seed)
#随机数返回32x2的矩阵 表示32组，体积和重量 作为输入数据集
X = rng.rand(32,2)
#从X这个32x2的矩阵中 取出一行，判断如果和小于1 给Y赋值1，如果和不小于1给Y赋值0
#作为输入数据集的标签（正确答案）
Y = [[int(x0+x1<1)] for (x0,x1) in X]
print "X:\n",X
print "Y:\n",Y
#定义神经网络的输入、参数和输出，定义前向传播过程
x = tf.placeholder(tf.float32,shape=(None,2)) # None,2 表示尚不知道喂入多少组，两个变量
y_ = tf.placeholder(tf.float32,shape=(None,1))

   # 隐藏层3个神经元
w1 = tf.Variable(tf.random_normal([2,3],stddev=1,seed=1)) # 2x3 ->第一计算层 1x3
w2 = tf.Variable(tf.random_normal([3,1],stddev=1,seed=1)) # 3x1->结果是1x1

#定义前向传播过程
a = tf.matmul(x,w1) #第一计算层 1x2 2x3 = 1x3
y = tf.matmul(a,w2) # 输出 1x3 3x1 = 1x1

#定义损失函数及反向传播方法
loss = tf.reduce_mean(tf.square(y-y_))
train_step = tf.train.GradientDescentOptimizer(0.001).minimize(loss) # 优化器 调整参数
#train_step = tf.train.MomentumOptimizer(0.001,0.9).minimize(loss)
#train_step = tf.train.AdamOptimizer(0.001).minimize(loss)

#生成会话，训练STEPS轮
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 "w1:\n", sess.run(w1)
    print "w2:\n", sess.run(w2)
    print "\n"

    #训练模型
    STEPS= 30000
    for i in range(STEPS): # 3000 轮
        start = (i*BATCH_SIZE)%32
        end = start + BATCH_SIZE
        sess.run(train_step, feed_dict={x:X[start:end], y_:Y[start:end]})
        if i % 500 ==0: #每500轮打印 损失函数
            total_loss = sess.run(loss,feed_dict={x:X,y_:Y})
            print("After %d training step(s), loss on all data is %g" % (i,total_loss))
    #输出训练后的参数取值
    print "\n"
    print "w1:\n",sess.run(w1)
    print "w2:\n",sess.run(w2)