#生成模擬資料集
from numpy.random import randomstate
#定義訓練資料batch的大小
batch_size = 8
#定義神經網路的引數
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的乙個維度上使用none可以方便使用不同的batch大小，在訓練時需要把資料分成比較小的batch，
#但在測試時，可以一次性使用全部的資料，當資料集比較小時這樣比較方便測試，但資料集比較大時，將大量資料放入乙個batch可能會導致記憶體溢位
x = tf.placeholder(tf.float32,shape=(none,2),name='x-input')
y_ = tf.placeholder(tf.float32,shape=(none,1),name='y-input')
#定義神經網路前向傳播的過程
a = tf.matmul(x,w1)
y = tf.matmul(a,w2)
#定義損失函式和反向傳播的演算法
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)
#通過隨機數生成乙個模擬資料集
rdm = randomstate(1)
dataset_size = 128
x = rdm.rand(dataset_size,2)
#定義規則來給出樣本的標籤。在這裡所有x1 + x2 <1 的樣例都被認為是正樣本(比如零件合格),
#而其他為負樣本(比如零件不合格)。和tensorflow遊樂場中的表示法不大一樣的地方是，在這裡使用0表示負樣本，1表示正樣本，
#大部分解決分類問題的神經網路都會採用0和1的表示方法
y = [[int(x1+x2 <1)]for (x1,x2) in x]
#建立乙個會話來執行tensorflow程式
with tf.session() as sess:
init_op = tf.initialize_all_variables()
#初始化變數
sess.run(init_op)
print(sess.run(w1))
print(sess.run(w2))
#設定訓練的輪數
steps = 5000
for i in range(steps):
#每次選取batch_size個樣本進行訓練
start = (i*batch_size)%dataset_size
end = min(start+batch_size,dataset_size)
#通過選取的樣本訓練神經網路並更新引數
sess.run(train_step,feed_dict=)
if i%1000==0:
#每隔一段時間計算在所有資料上的交叉熵並輸出
total_cross_entropy = sess.run(
cross_entropy,feed_dict=)
print('after %d training step(s),cross entropy on
all data is %g'%(i,total_cross_entropy))
print(sess.run(w1))
print(sess.run(w2))
tensorflow 1 共享變數
共享變數 reuse variables example1 with tf.variable scope try 先建立兩個變數w1，w2 w2 tf.get variable w1 shape 2,3,4 dtype tf.float32 w3 tf.get variable w2 shape 2...
tensorflow1 構建線性模型
x是給定的輸入資料 使用tensorflow構建乙個模型，開始的時候，w和b全部給成0，讓其訓練，使其接近預設的模型。即讓w接近0.1，b接近0.2 import tensorflow as tf import numpy as np x data np.random.rand 100 y data...
神經網路 tensorflow 1
import tensorflow as tf import numpy as np create data x data np.random.rand 100 astype np.float32 在tensorflow中大部分的資料的資料型別都是float32 y data x data 0.1 ...