本篇文章主要通过一个简单的例子来实现神经网络。训练数据是随机产生的模拟数据集，解决二分类问题。
下面我们首先说一下，训练神经网络的一般过程：
1.定义神经网络的结构和前向传播的输出结果
2.定义损失函数以及反向传播优化的算法
3.生成会话(session)并且在训练数据上反复运行反向传播优化算法
要记住的一点是，无论神经网络的结构如何变化，以上三个步骤是不会改变的。
完整代码如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
|
import tensorflow as tf #导入tensorflow工具包并简称为tf from numpy.random import randomstate #导入numpy工具包，生成模拟数据集 batch_size = 8#定义训练数据batch的大小 w1 = tf.variable(tf.random_normal([2,3],stddev=1,seed=1)) w2 = tf.variable(tf.random_normal([3,1],stddev=1,seed=1)) #分别定义一二层和二三层之间的网络参数，标准差为1，随机产生的数保持一致 x = tf.placeholder(tf.float32,shape=(none,2),name='x-input') y_ = tf.placeholder(tf.float32,shape=(none,1),name='y-input') #输入为两个维度，即两个特征，输出为一个标签,声明数据类型float32，none即一个batch大小 #y_是真实的标签 a = tf.matmul(x,w1) y = tf.matmul(a,w2) #定义神经网络前向传播过程 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) #定义损失函数和反向传播算法 rdm = randomstate(1) dataset_size = 128#产生128组数据 x = rdm.rand(dataset_size,2) y = [[int(x1+x2 < 1)] for (x1,x2) in x] #将所有x1+x2<1的样本视为正样本，表示为1；其余为0 #创建会话来运行tensorflow程序 with tf.session() as sess: init_op = tf.global_variables_initializer() #初始化变量 sess.run(init_op) print(sess.run(w1)) print(sess.run(w2)) #打印出训练网络之前网络参数的值 steps = 5000 #设置训练的轮数 for i in range(steps): start = (i * batch_size) % dataset_size end = min(start+batch_size,dataset_size) #每次选取batch_size个样本进行训练 sess.run(train_step,feed_dict={x:x[start:end],y_:y[start:end]}) #通过选取的样本训练神经网络并更新参数 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)) #每隔一段时间计算在所有数据上的交叉熵并输出，随着训练的进行，交叉熵逐渐变小 print(sess.run(w1)) print(sess.run(w2)) #打印出训练之后神经网络参数的值 |
运行结果如下：
结果说明：
首先是打印出训练之前的网络参数，也就是随机产生的参数值，然后将训练过程中每隔1000次的交叉熵输出，发现交叉熵在逐渐减小，说明分类的性能在变好。最后是训练网络结束后网络的参数。
分享一个图形化神经网络训练过程的网站：点这里,可以自己定义网络参数的大小，层数以及学习速率的大小，并且训练过程会以很直观的形式展示出来。比如：
以上对于神经网络训练过程可以有一个很深刻的理解。
最后，再补充一些tensorflow相关的知识：
1.tensorflow计算模型－计算图
tensor表示张量，可以简单的理解为多维数据结构；flow则体现了它的计算模型。flow翻译过来是“流”，它直观地表达了张量之间通过计算相互转换的过程。tensorflow中的每一个计算都是计算图上的一个节点，而节点之间的边描述了计算之间的依赖关系。
指定gpu方法，命令如下：
|
1
2
3
4
5
6
7
8
|
import tensorflow as tfa = tf.constant([1.0,2.0],name=“a”)b = tf.constant([3.0,4.0],name=“b”)g = tf.graph()with g.device(/gpu:0):result = a + bsess = tf.session()sess.run(result) |
2.tensorflow数据模型－张量
张量是管理数据的形式。零阶张量表示标量，第一阶张量为向量，也就是一维数组，一般来说，第n阶张量可以理解为一个n维数组。张量本身不存储运算的结果，它只是得到对结果的一个引用。可以使用tf.session().run(result)语句来得到计算结果。
3.tensorflow运行模型－会话
我们使用session来执行定义好的运算。
主要有以下两种方式，第一种会产生内存泄漏，第二种不会有这种问题。
|
1
2
3
4
5
|
＃创建一个会话sess = tf.session()sess.run(…)#关闭会话使得本次运行中使用的资源得到释放sess.close() |
第二种方式是通过python的上下文资源管理器来使用会话。
|
1
2
|
with tf.session() as sess:sess.run(…) |
此种方式自动关闭和自动进行资源的释放
4.tensorflow－神经网络例子
使用神经网络解决分类问题可以分为以下四个步骤：
①提取问题中实体的特征向量作为输入。
②定义神经网络的结构，并定义如何从神经网络的输入得到输出。这个过程就是神经网络的前向传播算法。
③通过训练数据来调整神经网络中参数的设置，这就是训练网络的过程。
④使用训练好的神经网络来预测未知的数据
在tensorflow中声明一个2*3的矩阵变量的方法：
weight ＝ tf.variable(tf.random_normal([2,3],stddev=2))
即表示为方差为0、标准差为2的正态分布
在tensorflow中，一个变量的值在被使用之前，这个变量的初始化过程需要被明确调用。一下子初始化所有的变量
sess = tf.session()
init_op = tf.initialize_all_variables()
或者换成init_op = tf.global_variables_initializer()也可
sess.run(init_op)
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持服务器之家。
原文链接：http://blog.csdn.net/Jaster_wisdom/article/details/78018653
