利用TensorFlow训练简单的二分类神经网络模型的方法

2020-01-04 15:46:06

字体：大中小

来源：转载

供稿：网友

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。

TensorFlow,二分类神经网络,神经网络

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

TensorFlow,二分类神经网络,神经网络