基于tensorflow的二分类的python实现注释超详细！

使用tensorflow实现的神经网络二分类，数据集为糖尿病化验数据，其中前八列为特征，第九列为期望结果，准准确率81.75%，内有详细的代码注解，适合新手学习使用

# -*- 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 #标准化
from sklearn.preprocessing import scale #按行或列标准化
from sklearn.preprocessing import Normalizer
from sklearn.preprocessing import MinMaxScaler

def load_data（）:
    ‘‘‘
    加载训练集和测试集，并将数据转化为矩阵
    training_data   训练集，包含461条数据
    test_data       测试集，包含307条数据
    ‘‘‘
    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

    #定义神经网络的参数
    learning_rate = 0.009  #学习率
    training_step = 7000 #训练迭代次数
    testing_step = 6000 #测试迭代次数
    display_step = 1000 #每多少次迭代显示一次损失
    #定义输入和输出
    x = tf.placeholder（tf.float32shape=（None8）name=“X_train“）
    y = tf.placeholder（tf.float32shape=（None1）name=“Y_train“）
    #定义模型参数
    w = tf.Variable（tf.random_normal（[81]stddev=1.0seed=1））
    b = tf.Variable（tf.random_normal（[1]stddev=1.0seed=1））
    #定义神经网络的前向传播过程
    #Model = tf.nn.sigmoid（tf.matmul（xw） + b）
    Model = tf.nn.tanh（tf.matmul（xw） + b）
    #Model = tf.nn.relu（tf.matmul（xw） + b）
    “““
    对模型进行优化，将Model的值加0.5之后进行取整，
    方便测试准确率（若Model>0.5则优化后会取整为1，反之会取整为0）
    “““
    model = Model + 0.5
    model = tf.cast（modeltf.int32）
    y_ = tf.cast（ytf.int32）
    #Dropout操作：用于防止模型过拟合
    keep_prob = tf.placeholder（tf.float32）
    Model_drop = tf.nn.dropout（Modelkeep_prob）
    #损失函数：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）））
    “““
    优化函数
    即反向传播过程
    主要测试了Adam算法和梯度下降算法，Adam的效果较好
    “““
    #优化器：使用Adadelta算法作为优化函数，来保证预测值与实际值之间交叉熵最小
    #optimizer = tf.train.AdamOptimizer（learning_rate）.minimize（cross_entropy）
    #优化器：梯度下降
    optimizer = tf.train.GradientDescentOptimizer（learning_rate）.minimize（cross_entropy）
    #加载数据and数据预处理

    #加载
    training_datatest_data = load_data（）
    #训练集
    X_train = training_data[::8]
    Y_train = training_data[:8:9]
    #测试集
    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、标准化
    #X_train_Mn = StandardScaler（）.fit_transform（X_train）
    #2、正则化 norm为正则化方法：‘l1‘‘l2‘‘max‘
    #X_train_nor = Normalizer（norm=‘max‘）.fit_transform（X_train）  
    #3、归一化（centering）
    a = M

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2018-11-19 10:08  基于tensorflow的二分类\
     文件       14268  2018-10-22 22:01  基于tensorflow的二分类\diabetes_data.txt
     文件        9507  2018-10-23 22:00  基于tensorflow的二分类\diabetes_test.txt
     文件        5931  2018-11-08 18:59  基于tensorflow的二分类\tf_2.py