tensorflow环境搭建

下载安装python3.6.7，安装，记住安装路径，打开pycharm新建项目，settings中更改project interpreter，选择python解释器，add，选择system interpreter，选择python3.6.7的安装路径中的python.exe可执行文件，确定，然后添加包，搜索tensorflow，选择pypi的源，或者选择清华的源，选中specify version，选择1.4.0版本，点击install，安装完成后应用即可，安装成功截图（pycharm console）：

success.png

简易神经网络实现

环境

python3.6.7、tensorflow1.4.0

神经网络结构

假定输入特征有100个，共100个数据，每个数据的输出为0或1，即一个简单的二分类问题，再设定神经网络有一个隐含层，此隐含层有100个神经元，不考虑偏置项，那么此隐含层a参数就是一个100×100的矩阵，输出层的参数就是一个100×1的矩阵，损失函数采用最常用的交叉熵，优化算法采用自适应优化算法，步长取0.0001，训练数据的特征采用numpy.random.RandomState随机生成，若某组数据的100个特征的平均值小于0.5，则将输出y取为0，否则为1，定义训练次数为5000次，每次取一批数据进行训练，批大小（batch_size）取10，另外，每训练1000次打印输出当前所有数据的交叉熵查看，最后打印输出训练好的隐含层和输出层的参数。

源代码

# -*- coding: UTF-8 -*-
#Author：Yinli
import tensorflow as tf
from numpy.random import RandomState
import numpy as np

#设置只显示warning和error
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

#定义batch大小为10
batch_size = 10

#初始化w1和w2
w1 = tf.Variable(tf.random_normal([100,100], stddev=1, seed=1))
w2 = tf.Variable(tf.random_normal([100,1], stddev=1, seed=2))

#定义x和y_的位置
x = tf.placeholder(tf.float32, shape=(None, 100), name='x_input')
y_ = tf.placeholder(tf.float32, shape=(None, 1), name='y_input')

#定义前向传播，a是隐含层，y是输出层
a = tf.matmul(x,w1)
y = tf.matmul(a,w2)

#定义y和损失函数，损失函数取交叉熵
y = tf.sigmoid(y)
cross_entropy = -tf.reduce_mean(y_*tf.log(tf.clip_by_value(y,1e-10, 1.0)) + (1-y_)*tf.log(tf.clip_by_value(1-y,1e-10,1.0)))
#定义训练步长和损失函数
train_step = tf.train.AdamOptimizer(0.0001).minimize(cross_entropy)

#随机生成x和y
rdm = RandomState(1)
dataset_size = 100
X = rdm.rand(dataset_size,100)
Y = [[int(np.mean(vect)<0.5)] for vect in X]

#新创建一个会话
with tf.Session() as sess:
    #初始化变量
    init_op = tf.global_variables_initializer()
    sess.run(init_op)

    #打印查看w1和w2
    print("初始化的参数w1和w2分别为：")
    print(sess.run(w1))
    print(sess.run(w2))

    #定义训练次数
    STEPS = 5000
    for i in range(STEPS):
        #每次选一个batch进行训练
        start = (i*batch_size) % dataset_size
        end = min(start+batch_size, dataset_size)
        #开始训练
        sess.run(train_step, feed_dict={x:X[start:end], y_:Y[start:end]})
        #每训练1000次打印输出当前交叉熵
        if i%1000 == 0:
            total_cross_entropy = sess.run(cross_entropy,feed_dict={x:X,y_:Y})
            print("After %d training step(s), cross entropy on all data is %g" % (i,total_cross_entropy))
    #训练完毕打印输出w1和w2
    print("训练完后的参数w1和w2分别为：")
    print(sess.run(w1))
    print(sess.run(w2))

运行结果（部分）

result.png