TF之DNN:TF利用簡單7個神經元的三層全連線神經網路實現降低損失到0.000以下(輸入、隱藏、輸出層分別為 2、3 、 2 個神經元)——Jason niu
阿新 • • 發佈:2019-01-25
# -*- coding: utf-8 -*- import tensorflow as tf import os import numpy as np #TF:TF實現簡單的三層全連線神經網路(輸入、隱藏、輸出層分別為 2、3 、 2 個神經元) #隱藏層和輸出層的啟用函式使用的是 ReLU 函式。該模型訓練的樣本總數為 512,每次迭代讀取的批量為 10。全連線網路以交叉熵為損失函式,並使用 Adam 優化演算法進行權重更新。 import tensorflow as tf from numpy.random import RandomState batch_size= 10 w1=tf. Variable (tf.random_normal([ 2 , 3 ],stddev= 1 ,seed= 1 )) w2=tf. Variable (tf.random_normal([ 3 , 1 ],stddev= 1 ,seed= 1 )) # None 可以根據batch 大小確定維度,在shape的一個維度上使用None x=tf.placeholder(tf.float32,shape=( None , 2 )) y=tf.placeholder(tf.float32,shape=( None , 1 )) #啟用函式使用ReLU a=tf.nn.relu(tf.matmul(x,w1)) yhat=tf.nn.relu(tf.matmul(a,w2)) #定義交叉熵為損失函式,訓練過程使用Adam演算法最小化交叉熵 cross_entropy=-tf.reduce_mean(y*tf.log(tf.clip_by_value(yhat, 1e-10 , 1.0 ))) train_step=tf.train. AdamOptimizer ( 0.001 ).minimize(cross_entropy) #tf.train.AdamOptimizer(learning_rate).minimize(cost_function) 是進行訓練的函式,其中我們採用的是 Adam 優化演算法更新權重,並且需要提供學習速率和損失函式這兩個引數。 rdm= RandomState ( 1 ) data_size= 516 #生成兩個特徵,共data_size個樣本 X=rdm.rand(data_size, 2 )#X=rdm.rand(512,2) 表示隨機生成 512 個樣本,每個樣本有兩個特徵值。 #定義規則給出樣本標籤,所有x1+x2<1的樣本認為是正樣本,其他為負樣本。Y,1為正樣本 Y = [[int(x1+x2 < 1 )] for (x1, x2) in X] with tf.Session() as sess: sess.run(tf.global_variables_initializer()) print (sess.run(w1)) print (sess.run(w2)) steps= 11000 for i in range(steps): #選定每一個批量讀取的首尾位置,確保在1個epoch內取樣訓練 start = i * batch_size % data_size end = min(start + batch_size,data_size) sess.run(train_step,feed_dict={x:X[start:end],y:Y[start:end]}) if i % 1000 == 0 : training_loss= sess.run(cross_entropy,feed_dict={x:X,y:Y}) print ( "在迭代 %d 次後,訓練損失為 %g" %(i,training_loss))