利用TensorFlow訓練簡單的二分類神經網絡模型的方法

2020-01-04 15:46:06

字體：大中小

來源：轉載

供稿：網友

利用TensorFlow實現《神經網絡與機器學習》一書中4.7模式分類練習

具體問題是將如下圖所示雙月牙數據集分類。

TensorFlow,二分類神經網絡,神經網絡

使用到的工具:

python3.5 tensorflow1.2.1 numpy matplotlib

1.產生雙月環數據集

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) #類別標簽為-1,注意：由于采取雙曲正切函數作為激活函數，類別標簽不能為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為月環半徑，w為月環寬度，d為上下月環距離（與書中一致）

2.利用TensorFlow搭建神經網絡模型

2.1 神經網絡層添加

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建立神經網絡模型

輸入層大小：2

隱藏層大小：20

輸出層大小：1

激活函數：雙曲正切函數

學習率：0.1（與書中略有不同）

（具體的搭建過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])) ###優化器選取 學習率設置 此處學習率置為0.1 train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) ###tensorflow變量初始化，打開會話 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 訓練模型

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

3.利用訓練好的網絡模型尋找分類決策邊界

3.1 產生二維空間隨機點

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 用訓練好的模型采集決策邊界附近的點

向網絡輸入一個二維空間隨機點，計算輸出值大于-0.5小于0.5即認為該點落在決策邊界附近（雙曲正切函數）

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擬合成決策邊界曲線，用matplotlib.pyplot畫圖

###產生空間隨機數據   X_NUM = produce_random_data(10, 6, -4, 5000)   ###邊界數據采樣   X_b = collect_boundary_data(X_NUM)   ###畫出數據   fig = plt.figure()   ax = fig.add_subplot(1, 1, 1)   ###設置坐標軸名稱   plt.xlabel('x1')   plt.ylabel('x2')   ax.scatter(x_data[:, 0], x_data[:, 1], marker='x')   ###用采樣的邊界數據擬合邊界曲線 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

TensorFlow,二分類神經網絡,神經網絡