神经网络python实例分类_利用TensorFlow训练简单的二分类神经网络模型的方法

利用TensorFlow实现《神经网络与机器学习》一书中4.7模式分类练习

具体问题是将如下图所示双月牙数据集分类。

使用到的工具:

python3.5 tensorflow1.2.1 numpy matplotlib

1.产生双月环数据集

def produceData(r,w,d,num):

r1 = r-w/2

r2 = r+w/2

#上半圆

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) #类别标签为1

#下半圆

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) #类别标签为-1,注意：由于采取双曲正切函数作为激活函数，类别标签不能为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为月环半径，w为月环宽度，d为上下月环距离（与书中一致）

2.利用TensorFlow搭建神经网络模型

2.1 神经网络层添加

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建立神经网络模型

输入层大小：2

隐藏层大小：20

输出层大小：1

激活函数：双曲正切函数

学习率：0.1（与书中略有不同）

（具体的搭建过程可参考莫烦的视频，链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])

###添加隐藏层

l1 = add_layer("layer1",xs, 2, 20, activation_function=tf.tanh)

###添加输出层

prediction = add_layer("layer2",l1, 20, 1, activation_function=tf.tanh)

###MSE 均方误差

loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction), reduction_indices=[1]))

###优化器选取 学习率设置 此处学习率置为0.1

train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

###tensorflow变量初始化，打开会话

init = tf.global_variables_initializer()#tensorflow更新后初始化所有变量不再用tf.initialize_all_variables()

sess = tf.Session()

sess.run(init)

2.3 训练模型

###训练2000次

for i in range(2000):

sess.run(train_step, feed_dict={xs: x_data, ys: y_label})

3.利用训练好的网络模型寻找分类决策边界

3.1 产生二维空间随机点

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 用训练好的模型采集决策边界附近的点

向网络输入一个二维空间随机点，计算输出值大于-0.5小于0.5即认为该点落在决策边界附近（双曲正切函数）

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工具将采集到的边界附近点拟合成决策边界曲线，用matplotlib.pyplot画图

###产生空间随机数据

X_NUM = produce_random_data(10, 6, -4, 5000)

###边界数据采样

X_b = collect_boundary_data(X_NUM)

###画出数据

fig = plt.figure()

ax = fig.add_subplot(1, 1, 1)

###设置坐标轴名称

plt.xlabel('x1')

plt.ylabel('x2')

ax.scatter(x_data[:, 0], x_data[:, 1], marker='x')

###用采样的边界数据拟合边界曲线 7次曲线最佳

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

5.附上源码Github链接

另注：分类问题还是用softmax去做吧.....我只是用这做书上的练习而已。

（初学者水平有限，有问题请指出，各位大佬轻喷）

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。