主要是对《tensorflow 实战google深度学习框架》的第三章中在模拟数据集上训练神经网络的完整程序进行详解，
所利用的神经网络结构图如下
详细代码如下
import tensorflow as tf from numpy.random import RandomState #定义神经网络的参数，输入和输出节点 batch_size = 8 w1= tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1)) w2= tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1)) x = tf.placeholder(tf.float32, shape=(None, 2), name="x-input") y_= tf.placeholder(tf.float32, shape=(None, 1), name='y-input') #定义前向传播过程，损失函数及反向传播算法 a = tf.matmul(x, w1) y = tf.matmul(a, w2) 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) #生成模拟数据集 rdm = RandomState(1) X = rdm.rand(128,2) Y = [[int(x1+x2 < 1)] for (x1, x2) in X] #创建一个会话来运行tensorflow程序 with tf.Session() as sess: init_op = tf.global_variables_initializer() sess.run(init_op) # 输出目前（未经训练）的参数取值。 print("w1:", sess.run(w1)) print("w2:", sess.run(w2)) print(" ") # 训练模型。 STEPS = 5000 for i in range(STEPS): start = (i*batch_size) % 128 end = (i*batch_size) % 128 + batch_size sess.run(train_step, feed_dict={x: X[start:end], y_: Y[start:end]}) if i % 1000 == 0: total_cross_entropy = sess.run(cross_entropy, feed_dict={x: X, y_: Y}) print("After %d training step(s), cross entropy on all data is %g" % (i, total_cross_entropy))
- 引入模块的设置，因为实在模拟数据集中运行一个完整的神经网络，因此需要做的事情是引入随机数种子，使得其可以随机产生数据
下面我们对代码进行详细的解读
from numpy.random import RandomState
RandomState()：随机数种子
功能：随机产生所需数据。这段引入主要是为了引入可以产生随机数组的RandomState
- 定义神经网络的参数，输入节点和输出节点参数
由于在每次迭代的开始，首先需要选取一小部分训练数据，这一小部分数据称为一个batch，batch_size的大小决定了一次性读入多少批量的数据
batch_size = 8
batch_size的介绍如下
定义：一次性读入多少批量的样本，不是图片，其有几个子类型
Full Batch Learning:batch_size=数据集的大小，适用于小数据集
Mini-batches Learning：Batch_size= N（自己设定），适用于大数据集。
Online Learning（在线学习）：Batch_size=1，
确定了batch_size之后，我们需要设置W1和w2的权重及其形式
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tensorflow中，变量（tf.Variable）的作用是保存和更新神经网络中的参数，需要指定初始值，一般是使用随机初始值。stddev=1代表矩阵元素中的方差为1
设置输入输出矩阵
x = tf.placeholder(tf.float32, shape=(None, 2), name="x-input") y_= tf.placeholder(tf.float32, shape=(None, 1), name='y-input')
在tensorflow 中提供了placeholder这一机制用于提供输入数据，placeholder相当于定义了一个位置，这个位置中的数据在程序运行时再指定，这样程序中就不需要生成大量常量来提供输入数据，而只需要将这个数据通过placeholder传入tensorflow计算图，在placeholder定义时，这个位置上的数据类型是需要指定的，和其他张量一样，placeholder的类型也是不可以改变的
这个函数的形式为tf.placeholder(dtype,shape=数据维度,name=数据名称)
函数功能：
插入一张张量的占位符，这个张量总是被喂入图片数据，相当于一个形參
形參：只有在调用时才分配内存单元，在调用结束时，就会释放所分配的内存单元
- 定义前向传播过程，损失函数及反向传播函数
a = tf.matmul(x, w1)
y = tf.matmul(a, w2)
在这里，由于我们做的神经网络输入层是x,隐含层是a,输出层是y，因此这里主要是调用tensorflow中的矩阵相乘的函数实现矩阵的乘法
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)
在得到一个batch的前向传播结果之后，需要定义一个损失函数来刻画当前的预测值和真实答案之间的差距，因此我们定义了如上的损失函数来刻画预测值和真实值之间的差距
y_：正确结果，y：预测结果，tf.clip_by_value(y, 1e-10, 1.0)将张量限制在1e-10和1.0之间，
- 生成模拟数据集
rdm = RandomState(1) X = rdm.rand(128,2) Y = [[int(x1+x2 < 1)] for (x1, x2) in X]
- 创建一个会话来运行tensorflow程序
with tf.Session() as sess:
这是tensorflow创建会话的模式，这个就是创建一个会话，并通过python中的上下文管理器来管理这个会话，通过python的上下文管理机制，只要将所有的计算资源放在"with"的内部就可以，当上下文管理器推出时会自动释放所有资源，这样解决了因为异常退出时资源释放的问题
init_op = tf.global_variables_initializer()
sess.run(init_op)
tensorflow中提供了一种便捷的方式来完成变量初始化过程，，利用以上代码可以直接完成变量的初始化
STEPS = 5000
for i in range(STEPS):
#每次选取batch_size个样本进行训练
start = (i*batch_size) % 128
end = (i*batch_size) % 128 + batch_size
#通过选取的样本训练神经网络并更新
sess.run(train_step, feed_dict={x: X[start:end], y_: Y[start:end]})
if i % 1000 == 0:
#每隔一段时间计算所在数据的交叉熵并输出
total_cross_entropy = sess.run(cross_entropy, feed_dict={x: X, y_: Y})
print("After %d training step(s), cross entropy on all data is %g" % (i, total_cross_entropy))