TensorFlow机器学习小案例（四）

简单demo1

#coding:utf-8
#0 导入模块 生成模拟数据
import tensorflow as tf
import numpy as np
BATCH_SIZE=8
seed=23455
#基于seed 生产随机数
rng=np.random.RandomState(seed)
#随机数返回32行2列的矩阵 表示32组 体积和重量 作为输入数据集
X=rng.rand(32,2)

#从X这个32行2列的矩阵 取出一行数据 判断 如果和小于 给Y赋值 如果和不下于 Y赋值0
#作为输入数据集的标签(正确）
Y=[[int(x0+x1<1)] for (x0,x1) in X]
print "X:"X
print "Y:"Y
#定义神经网络的输入 参数 和输出 定义前向传播过程
x=tf.placeholder(tf.floa111,shape=(None,2))
x=tf.placeholder(tf.floa111,shape=(None,1))

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

#定义前向传播过程
a=tf.matmul(x,w1)
y=tf.matmul(a,w2)

#定义损失函数及反向传播方法
loss=tf.reduce_mean(tf.square(y-y_))
train_step=tf.train_GradientDescentOptimizer(0.001).minimize(loss)
#train_step=tf.train.MomentumOptimizer(0.001,0.9).minimize(loss)


#3生成回话 训练STEPS轮
with tf.Session() as sess:
     init_op=tf.global_varuables_initializer()
     sess.run(init_op)
     #输出目前 （未训练）的参数取值
     print"w1 in tf5 is:\n",sess.run(w1)
     print"w2 in tf5 is:\n",sess.run(w1)
     print"\n"

     #训练模型
     STEPS=3000
     for i in range(STEPS)
         start=(i*BATCH_SIZE)%32
         end=start+BATCH_SIZE
         sess.run(train_step, fedd_dict={x:X[start:end],y_:Y[start:end]})
         if i%500=0:
            total_loss=sess.run(loss,fedd_dict={x:X,y_:Y}})
            print(" After %d training step(s)" % (i,total_loss))
    #输出训练后的参数取值
    print"\n"
    print"w1:\n",sess.run(w1)    
    print"w2:\n",sess.run(w2)

简单demo2

#coding:utf-8
#两层简单神经网络（全连接）
import tensorflow as tf
#定义输入和参数
x=tf.placeholder(tf.float32,shape=(None,2))
w1=tf.Vaeiable(tf.random_normal([2,3],stddev=1,seed=1))
w2=tf.Vaeiable(tf.random_normal([3,1],stddev=1,seed=1))

#定义前向传播过程
a=tf.matmul(x,w1)
y=tf.matmul(a,w2)

#用回话计算结合
with tf.Session() as sess:
       init_op=tf.global_varuables_initializer()
       sess.run(init_op)
       print"the result of tf5 is:\n",sess.run(y,fedd_dict={[0.7,0.5],[0.2,0.3],[0.3,0.4],[0.4,0.5]})
       print"w1 in tf5 is:\n",sess.run(w1)
       print"w2 in tf5 is:\n",sess.run(w1)