一、神经网络构建八股搭建

学习目标：通过例子，搭建神经网络的八股

一、流程

1. 导入模块,生成模拟数据集;
　　import
　　常量定义
　　生成数据集
2. 前向传播: 定义输入、参数和输出（搭建模型）
　　x 　  　 y_
　　w1 　　w2
　　a 　　   y
3. 反向传播:定义损失函数、反向传播方法(用于训练模型参数)
　　loss=
　　train_step=
4. 生成会话,训练 STEPS 轮

二、例程

例：随机产生 32 组生产出的零件的体积和重量,训练 3000 轮,每 500 轮输出一次损失函数。

源码：

#coding :utf-8

#--1-- 
import tensorflow as tf
import numpy as np

BATCH_SIZE=8 
seed=23455

rng=np.random.RandomState(seed)
X=rng.rand(32,2) #生成32行2列的列表（矩阵）

Y=[[int(x0+x1<1)]for (x0,x1) in X] #对于X中的每一个(x0,x1)，判断x0+x1<1成立，Y为1，否则为0，Y为32行2列的2唯张量
print "X:
",X
print "Y:
",Y

#--2--相当于提前定义，声明变量， 前向传播，搭建计算模型
x=tf.placeholder(tf.float32,shape=(None,2))
y_=tf.placeholder(tf.float32,shape=(None,1))

w1=tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))
w2=tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))

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

#--3--反向传播 定义损失函数和优化方法
loss=tf.reduce_mean(tf.square(y-y_))
train_step=tf.train.GradientDescentOptimizer(0.001).minimize(loss)

#--4--
with tf.Session() as sees:
    init_op=tf.initialize_all_variables()
    sees.run(init_op)
    print "w1
",sees.run(w1)#打印初始的w1和w2
    print "w2
",sees.run(w2)

    STEPS=3000#迭代执行3000次，训练
    for i in range(STEPS):
        start=(i*BATCH_SIZE)%32 #每一次取8组喂给NN，进行优化训练
        end=start+BATCH_SIZE
        sees.run(train_step,feed_dict={x:X[start:end],y_:Y[start:end]})
        if i%500==0:
            total_loss=sees.run(loss,feed_dict={x:X,y_:Y}) #打印损失函数的结果
    
    #-----print------
    print "
"
    print "w1:
",sees.run(w1)
    print "w2:
",sees.run(w2)

结果：

1）# source activate tensorflow 进入tensorflow环境

2）执行# python NN_1.py