Tensorflow Python-从纯数据（txt文件）创建NN的最简单方法

Question

我有以下训练数据：

input -- output
1993,0,420,3,4,6 -- 1,0
1990,0,300,5,3,5 -- 0,1
1991,1,300,9,4,3 -- 0.5,0.5
...

因此有6个输入层和2个输出层，输出值可以是1,0 0,1或0.5,0.5

将数据传递到张量流并训练NN的最简单方法是什么？

目前，我对最佳的网络体系结构不感兴趣，我只是想拥有一个Python脚本来训练NN。

谢谢！

Answer 1

Guido，您可以使用它来训练您的神经网络，此代码具有一个隐藏层，您只需创建tf图

import tensorflow as tf

input_size = 6
output_size = 2
hidden_size = 6
input_y
input_data



with tf.variable_scope("hidden_Layer"):
    weight = tf.truncated_normal([input_size, hidden_size], stddev=0.01)
    bias = tf.constant(0.1, shape=[hidden_size])
    hidden_input = tf.nn.bias_add(tf.matmul(input_data, weight), bias)
    hidden_output = tf.nn.relu(hidden_input, name="Hidden_Output")

with tf.variable_scope("output_Layer"):
    weight2 = tf.truncated_normal([hidden_size, output_size], stddev=0.01)
    bias2 = tf.constant(0.1, shape=[output_size])
    logits = tf.nn.bias_add(tf.matmul(hidden_output, weight2), bias2)
    predictions = tf.argmax(logits, 1, name="predictions")
    loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=input_y))
    correct_predictions = tf.equal(self.predictions, tf.argmax(input_y, 1))
    classification_accuracy = tf.reduce_mean(tf.cast(correct_predictions, "float"), name="accuracy")