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

http://github.com/Peakulorain/Practices.git 里的PatternClassification.py文件

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中文源码网。