快捷導(dǎo)航

利用TensorFlow訓(xùn)練簡(jiǎn)單的二分類神經(jīng)網(wǎng)絡(luò)模型的方法

更新時(shí)間：2018年03月05日 09:31:33 作者：Mars_Alonere

本篇文章主要介紹了利用TensorFlow訓(xùn)練簡(jiǎn)單的二分類神經(jīng)網(wǎng)絡(luò)模型的方法，小編覺(jué)得挺不錯(cuò)的，現(xiàn)在分享給大家，也給大家做個(gè)參考。一起跟隨小編過(guò)來(lái)看看吧

利用TensorFlow實(shí)現(xiàn)《神經(jīng)網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)》一書(shū)中4.7模式分類練習(xí)

具體問(wèn)題是將如下圖所示雙月牙數(shù)據(jù)集分類。

使用到的工具:

python3.5 tensorflow1.2.1 numpy matplotlib

1.產(chǎn)生雙月環(huán)數(shù)據(jù)集

def produceData(r,w,d,num): 
  r1 = r-w/2 
  r2 = r+w/2 
  #上半圓 
  theta1 = np.random.uniform(0, np.pi ,num) 
  X_Col1 = np.random.uniform( r1*np.cos(theta1),r2*np.cos(theta1),num)[:, np.newaxis] 
  X_Row1 = np.random.uniform(r1*np.sin(theta1),r2*np.sin(theta1),num)[:, np.newaxis] 
  Y_label1 = np.ones(num) #類別標(biāo)簽為1 
  #下半圓 
  theta2 = np.random.uniform(-np.pi, 0 ,num) 
  X_Col2 = (np.random.uniform( r1*np.cos(theta2),r2*np.cos(theta2),num) + r)[:, np.newaxis] 
  X_Row2 = (np.random.uniform(r1 * np.sin(theta2), r2 * np.sin(theta2), num) -d)[:,np.newaxis] 
  Y_label2 = -np.ones(num) #類別標(biāo)簽為-1,注意：由于采取雙曲正切函數(shù)作為激活函數(shù)，類別標(biāo)簽不能為0 
  #合并 
  X_Col = np.vstack((X_Col1, X_Col2)) 
  X_Row = np.vstack((X_Row1, X_Row2)) 
  X = np.hstack((X_Col, X_Row)) 
  Y_label = np.hstack((Y_label1,Y_label2)) 
  Y_label.shape = (num*2 , 1) 
  return X,Y_label

其中r為月環(huán)半徑，w為月環(huán)寬度，d為上下月環(huán)距離（與書(shū)中一致）

2.利用TensorFlow搭建神經(jīng)網(wǎng)絡(luò)模型

2.1 神經(jīng)網(wǎng)絡(luò)層添加

def add_layer(layername,inputs, in_size, out_size, activation_function=None): 
  # add one more layer and return the output of this layer 
  with tf.variable_scope(layername,reuse=None): 
    Weights = tf.get_variable("weights",shape=[in_size, out_size], 
                 initializer=tf.truncated_normal_initializer(stddev=0.1)) 
    biases = tf.get_variable("biases", shape=[1, out_size], 
                 initializer=tf.truncated_normal_initializer(stddev=0.1)) 
   
  Wx_plus_b = tf.matmul(inputs, Weights) + biases 
  if activation_function is None: 
    outputs = Wx_plus_b 
  else: 
    outputs = activation_function(Wx_plus_b) 
  return outputs

2.2 利用tensorflow建立神經(jīng)網(wǎng)絡(luò)模型

輸入層大?。?

隱藏層大?。?0

輸出層大?。?

激活函數(shù)：雙曲正切函數(shù)

學(xué)習(xí)率：0.1（與書(shū)中略有不同）

（具體的搭建過(guò)程可參考莫煩的視頻，鏈接就不附上了自行搜索吧......）

###define placeholder for inputs to network 
xs = tf.placeholder(tf.float32, [None, 2]) 
ys = tf.placeholder(tf.float32, [None, 1]) 
###添加隱藏層 
l1 = add_layer("layer1",xs, 2, 20, activation_function=tf.tanh) 
###添加輸出層 
prediction = add_layer("layer2",l1, 20, 1, activation_function=tf.tanh) 
###MSE 均方誤差 
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction), reduction_indices=[1])) 
###優(yōu)化器選取 學(xué)習(xí)率設(shè)置 此處學(xué)習(xí)率置為0.1 
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) 
###tensorflow變量初始化，打開(kāi)會(huì)話 
init = tf.global_variables_initializer()#tensorflow更新后初始化所有變量不再用tf.initialize_all_variables() 
sess = tf.Session() 
sess.run(init)

2.3 訓(xùn)練模型

###訓(xùn)練2000次 
for i in range(2000): 
  sess.run(train_step, feed_dict={xs: x_data, ys: y_label})

3.利用訓(xùn)練好的網(wǎng)絡(luò)模型尋找分類決策邊界

3.1 產(chǎn)生二維空間隨機(jī)點(diǎn)

def produce_random_data(r,w,d,num): 
  X1 = np.random.uniform(-r-w/2,2*r+w/2, num) 
  X2 = np.random.uniform(-r - w / 2-d, r+w/2, num) 
  X = np.vstack((X1, X2)) 
  return X.transpose()

3.2 用訓(xùn)練好的模型采集決策邊界附近的點(diǎn)

向網(wǎng)絡(luò)輸入一個(gè)二維空間隨機(jī)點(diǎn)，計(jì)算輸出值大于-0.5小于0.5即認(rèn)為該點(diǎn)落在決策邊界附近（雙曲正切函數(shù)）

def collect_boundary_data(v_xs): 
  global prediction 
  X = np.empty([1,2]) 
  X = list() 
  for i in range(len(v_xs)): 
    x_input = v_xs[i] 
    x_input.shape = [1,2] 
    y_pre = sess.run(prediction, feed_dict={xs: x_input}) 
    if abs(y_pre - 0) < 0.5: 
      X.append(v_xs[i]) 
  return np.array(X)

3.3 用numpy工具將采集到的邊界附近點(diǎn)擬合成決策邊界曲線，用matplotlib.pyplot畫(huà)圖

###產(chǎn)生空間隨機(jī)數(shù)據(jù) 
  X_NUM = produce_random_data(10, 6, -4, 5000) 
  ###邊界數(shù)據(jù)采樣 
  X_b = collect_boundary_data(X_NUM) 
  ###畫(huà)出數(shù)據(jù) 
  fig = plt.figure() 
  ax = fig.add_subplot(1, 1, 1) 
  ###設(shè)置坐標(biāo)軸名稱 
  plt.xlabel('x1') 
  plt.ylabel('x2') 
  ax.scatter(x_data[:, 0], x_data[:, 1], marker='x') 
  ###用采樣的邊界數(shù)據(jù)擬合邊界曲線 7次曲線最佳 
  z1 = np.polyfit(X_b[:, 0], X_b[:, 1], 7) 
  p1 = np.poly1d(z1) 
  x = X_b[:, 0] 
  x.sort() 
  yvals = p1(x) 
  plt.plot(x, yvals, 'r', label='boundray line') 
  plt.legend(loc=4) 
  #plt.ion() 
  plt.show()

4.效果