import tensorflow as tf
import numpy as np
#定义训练数据batch的大小（就是一次放入多少数据）
batch_size=8
#定义神经网络的参数
w1=tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))
w2=tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))
"""
在shape 的一个维度上使用None 可以方便使用不同的batch 大小。在训练时需要把数据分
＃成比较小的batch ， 但是在测试时，可以一次性使用全部的数据。当数据集比较小时这样比较
＃方便测试，但数据集比较大时，将大量数据放入一个batch 吁能会导致内存溢出。
"""
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
y=tf.sigmoid(y)
cross_entropy=-tf.reduce_mean(y_*tf.log(tf.clip_by_value(y,1e-10,1.0))+(1-y)*tf.log(tf.clip_by_value(1-y,1e-10,1.0)))
train=tf.train.AdamOptimizer(0.001).minimize(cross_entropy)
#通过随机数生成一个模拟数据集
dataset_size=128
X=np.random.rand(dataset_size,2)
print("x:",X)
#若x1+x2<1则是正的
y=[[int(x1+x2<1)] for (x1,x2) in X]
print("y:",y)
#初始化变量
init=tf.global_variables_initializer()
#创建一个会话来运行tensorflow程序
with tf.Session() as sess:
#初始化变量
sess.run(init)
print("最初w1",sess.run(w1))
print("最初w2",sess.run(w2))
#设定训练的轮数
step=5000
for i in range(step):
#每次取batch_size个样本进行训练
start=(i*batch_size)%dataset_size
end=min(start+batch_size,dataset_size)
print("start:",start,"end:",end)
#通过选取的样本训练神经网络并更新参数
sess.run(train,feed_dict={x:X[start:end],y_:y[start:end]})
if i%100==0:
total_cross_entropy=sess.run(cross_entropy,feed_dict={x:X[start:end],y_:y[start:end]})
print("误差：",total_cross_entropy)
