学习笔记（1）

TensorFlow计算模型：计算图
计算图是TensorFlow中最基本的一个概念。TensorFlow中所有的计算都会被转化为计算图上的节点。
Tensor:张量, 简单理解就是多维数组。（数据结构）
Flow:流，节点图
TensorFlow是一个通过计算图的形式来表述计算的编程系统。每个计算对应图上每个节点，节点间的边描述了计算之间的依赖关系。
TensorBoard是TensorFlow的可视化工具。

前向传播算法: 计算图的节点、神经元走势流程（个人如此理解）a = tf.matmul(x, w1) y = tf.matmul(a, w2)
损失函数：cross_entropy = -tf.reduce_mean(y_*tf.log(tf.clip_by_value(y,1e-10,1.0)))
学习率： learning_rate = 0.001
反向传播算法: train_step = tf.train.AdamOptimizer(learning_rate).minimize(cross_entropy)

import tensorflow as tf
#生成数据集
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
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')

#定义神经网络前向传播的过程
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)

#通过随机数生成一个模拟数据集
rdm = RandomState(1)
dataset_size = 128
X = rdm.rand(dataset_size, 2)
Y = [[int(x1 + x2 < 1)] for (x1, x2) in X]

#创建一个会话来运行TensorFlow程序
with tf.Session() as sess:
    init_op = tf.initialize_all_variables()
    sess.run(init_op)
    print(sess.run(w1))
    print(sess.run(w2))
    '''训练前神经网络参数的值为：
    w1 = [[-0.81131822  1.48459876  0.06532937]
     [-2.4427042   0.0992484   0.59122431]]

    w2 = [[-0.81131822]
     [ 1.48459876]
     [ 0.06532937]]'''
    #设定训练的轮数
    STEPS = 10000
    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:
    # 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 training steps, cross entropy on all data is %g" % (i, total_cross_entropy))