TF之DNN：TF利用简单7个神经元的三层全连接神经网络实现降低损失到0.000以下(输入、隐藏、输出层分别为 2、3 、 2 个神经元)——Jason niu

# -*- coding: utf-8 -*-

import tensorflow as tf
import os
import numpy as np

#TF：TF实现简单的三层全连接神经网络（输入、隐藏、输出层分别为 2、3 、 2 个神经元）
#隐藏层和输出层的**函数使用的是 ReLU 函数。该模型训练的样本总数为 512，每次迭代读取的批量为 10。全连接网络以交叉熵为损失函数，并使用 Adam 优化算法进行权重更新。
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 可以根据batch 大小确定维度，在shape的一个维度上使用None 
x=tf.placeholder(tf.float32,shape=( None , 2 )) 
y=tf.placeholder(tf.float32,shape=( None , 1 ))  
#**函数使用ReLU 
a=tf.nn.relu(tf.matmul(x,w1)) 
yhat=tf.nn.relu(tf.matmul(a,w2))  
#定义交叉熵为损失函数，训练过程使用Adam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) 是进行训练的函数，其中我们采用的是 Adam 优化算法更新权重，并且需要提供学习速率和损失函数这两个参数。
rdm= RandomState ( 1 ) 
data_size= 516  
#生成两个特征，共data_size个样本 
X=rdm.rand(data_size, 2 )#X=rdm.rand(512,2) 表示随机生成 512 个样本，每个样本有两个特征值。
#定义规则给出样本标签，所有x1+x2<1的样本认为是正样本，其他为负样本。Y，1为正样本 
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):
    #选定每一个批量读取的首尾位置，确保在1个epoch内采样训练         
        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 次后，训练损失为 %g" %(i,training_loss))