#?-*-?coding:?utf-8?-*-
“““
Created?on?Fri?Oct?26?14:56:45?2018

@author:?Fang
“““


import?tensorflow?as?tf
import?numpy?as?np
from?sklearn.preprocessing?import?StandardScaler?#標(biāo)準(zhǔn)化
from?sklearn.preprocessing?import?scale?#按行或列標(biāo)準(zhǔn)化
from?sklearn.preprocessing?import?Normalizer
from?sklearn.preprocessing?import?MinMaxScaler

def?load_data（）:
????‘‘‘
????加載訓(xùn)練集和測(cè)試集，并將數(shù)據(jù)轉(zhuǎn)化為矩陣
????training_data???訓(xùn)練集，包含461條數(shù)據(jù)
????test_data???????測(cè)試集，包含307條數(shù)據(jù)
????‘‘‘
????file1?=?‘diabetes_data.txt‘?
????p?=?open（file1）
????lines?=?p.readlines（）
????n?=?len（lines）
????datamat?=?np.zeros（（n9））
????row?=?0
????for?i?in?lines:
????????i?=?i.strip（）.split（‘‘）
????????datamat[row:]?=?i[:]
????????row?+=?1
????training_data?=?datamat[::]
????
????file2?=?‘diabetes_test.txt‘?
????p1?=?open（file2）
????line?=?p1.readlines（）
????n1?=?len（line）
????datamat2?=?np.zeros（（n19））
????row1?=?0
????for?i?in?line:
????????i?=?i.strip（）.split（‘‘）
????????datamat2[row1:]?=?i[:]
????????row1?+=?1
????test_data?=?datamat2[::]
????return?training_datatest_data

????#定義神經(jīng)網(wǎng)絡(luò)的參數(shù)
????learning_rate?=?0.009??#學(xué)習(xí)率
????training_step?=?7000?#訓(xùn)練迭代次數(shù)
????testing_step?=?6000?#測(cè)試迭代次數(shù)
????display_step?=?1000?#每多少次迭代顯示一次損失
????#定義輸入和輸出
????x?=?tf.placeholder（tf.float32shape=（None8）name=“X_train“）
????y?=?tf.placeholder（tf.float32shape=（None1）name=“Y_train“）
????#定義模型參數(shù)
????w?=?tf.Variable（tf.random_normal（[81]stddev=1.0seed=1））
????b?=?tf.Variable（tf.random_normal（[1]stddev=1.0seed=1））
????#定義神經(jīng)網(wǎng)絡(luò)的前向傳播過程
????#Model?=?tf.nn.sigmoid（tf.matmul（xw）?+?b）
????Model?=?tf.nn.tanh（tf.matmul（xw）?+?b）
????#Model?=?tf.nn.relu（tf.matmul（xw）?+?b）
????“““
????對(duì)模型進(jìn)行優(yōu)化，將Model的值加0.5之后進(jìn)行取整，
????方便測(cè)試準(zhǔn)確率（若Model>0.5則優(yōu)化后會(huì)取整為1，反之會(huì)取整為0）
????“““
????model?=?Model?+?0.5
????model?=?tf.cast（modeltf.int32）
????y_?=?tf.cast（ytf.int32）
????#Dropout操作：用于防止模型過擬合
????keep_prob?=?tf.placeholder（tf.float32）
????Model_drop?=?tf.nn.dropout（Modelkeep_prob）
????#損失函數(shù)：交叉熵
????cross_entropy?=?-tf.reduce_mean（y?*?tf.log（tf.clip_by_value（Model1e-101.0））+（1-y）?*?tf.log（tf.clip_by_value（1-Model1e-101.0）））
????“““
????優(yōu)化函數(shù)
????即反向傳播過程
????主要測(cè)試了Adam算法和梯度下降算法，Adam的效果較好
????“““
????#優(yōu)化器：使用Adadelta算法作為優(yōu)化函數(shù)，來保證預(yù)測(cè)值與實(shí)際值之間交叉熵最小
????#optimizer?=?tf.train.AdamOptimizer（learning_rate）.minimize（cross_entropy）
????#優(yōu)化器：梯度下降
????optimizer?=?tf.train.GradientDescentOptimizer（learning_rate）.minimize（cross_entropy）
????#加載數(shù)據(jù)and數(shù)據(jù)預(yù)處理

????#加載
????training_datatest_data?=?load_data（）
????#訓(xùn)練集
????X_train?=?training_data[::8]
????Y_train?=?training_data[:8:9]
????#測(cè)試集
????X_test?=?test_data[::8]
????Y_test?=?test_data[:8:9]
????#X_test_Mn?=?StandardScaler（）.fit_transform（X_test）
????b?=?MinMaxScaler（）
????X_test_cen?=?b.fit_transform（X_test）
????#1、標(biāo)準(zhǔn)化
????#X_train_Mn?=?StandardScaler（）.fit_transform（X_train）
????#2、正則化?norm為正則化方法：‘l1‘‘l2‘‘max‘
????#X_train_nor?=?Normalizer（norm=‘max‘）.fit_transform（X_train）??
????#3、歸一化（centering）
????a?=?M

?屬性????????????大小?????日期????時(shí)間???名稱
-----------?---------??----------?-----??----
?????目錄???????????0??2018-11-19?10:08??基于tensorflow的二分類\
?????文件???????14268??2018-10-22?22:01??基于tensorflow的二分類\diabetes_data.txt
?????文件????????9507??2018-10-23?22:00??基于tensorflow的二分類\diabetes_test.txt
?????文件????????5931??2018-11-08?18:59??基于tensorflow的二分類\tf_2.py