最近读到一个网友的博客，记录他在一次面试时，碰到面试官要求他在白板上用TensorFlow写一个简单的网络实现异或（XOR）功能。这个本身并不难，单层感知器不能解决异或问题是学习神经网络中的一个常识，而简单的两层神经网络却能将其轻易解决。但这个问题的难处在于，我们接触TensorFlow通常直接拿来写CNN，或者其他的深度学习相关的网络了，而实现这种简单网络，基本上从未做过；更何况，要求在白板上写出来，如果想bug free，并不是容易的事儿啊。 下面，我们就来简单写一下吧。其实，无论复杂还是简单，用TensorFlow写一个网络无非这样几个部分：
0.import模块
import numpy as np
import tensorflow as tf
1.输入数据的placeholder
具体来说，一个data，一个label：
data = tf.placeholder(tf.float32, shape=(4, 2))
label = tf.placeholder(tf.float32, shape=(4, 1))
由于本例比较特殊，异或只有4种输入和对应的4个输出，所以根据需求定义固定的shape。
2.基于输入数据的placeholder构建model
异或需要两层神经网络，每层分别需要一个weight和一个bias，所以定义如下：
with tf.variable_scope(‘layer1’) as scope:
weight = tf.get_variable(name=’weight’, shape=(2, 2))
bias = tf.get_variable(name=’bias’, shape=(2,))
x = tf.nn.sigmoid(tf.matmul(data, weight) + bias)
with tf.variable_scope(‘layer2’) as scope:
weight = tf.get_variable(name=’weight’, shape=(2, 1))
bias = tf.get_variable(name=’bias’, shape=(1,))
x = tf.matmul(x, weight) + bias
这里为了方便变量管理，以及在tensorboard上的条理性，使用了variable_scope，当然，也可以不使用。 此外，因为我们后面的loss要使用sigmoid_cross_entropy_with_logits函数，所以这里第二层网络的输出没有过sigmoid函数。如果loss使用其他函数，则可以做相应处理。
3.定义loss
其实这里可以灵活选用各种loss函数，比如MSE，等等。但我们还是选用了在CNN中广泛使用的cross entropy：
preds = tf.nn.sigmoid(x)
loss = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(labels=label, logits=x))
我们这里把模型的输出x过了一下sigmoid函数，作为最终输出，以便在训练时对模型进行监视。
4.定义Optimizer
learning_rate = tf.placeholder(tf.float32)
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss)
这里，我们为learning rate也定义了一个placeholder，以方便后续处理；当然也可以直接选择使用常值learning rate。
5.构建并输入数据，开始训练
train_data = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
train_label = np.array([[0], [1], [1], [0]])
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
for step in range(10000):
if step < 3000:
lr = 1
elif step < 6000:
lr = 0.1
else:
lr = 0.01
_, l, pred = sess.run([optimizer, loss, preds], feed_dict={data: train_data, label: train_label, learning_rate: lr})
if step % 500:
print(‘Step: {} -> Loss: {} -> Predictions: {}’.format(step, l, pred)
完整代码
由此，整个网络的代码如下：
import numpy as np
import tensorflow as tf
data = tf.placeholder(tf.float32, shape=(4, 2))
label = tf.placeholder(tf.float32, shape=(4, 1))
with tf.variable_scope(‘layer1’) as scope:
weight = tf.get_variable(name=’weight’, shape=(2, 2))
bias = tf.get_variable(name=’bias’, shape=(2,))
x = tf.nn.sigmoid(tf.matmul(data, weight) + bias)
with tf.variable_scope(‘layer2’) as scope:
weight = tf.get_variable(name=’weight’, shape=(2, 1))
bias = tf.get_variable(name=’bias’, shape=(1,))
x = tf.matmul(x, weight) + bias
preds = tf.nn.sigmoid(x)
loss = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(labels=label, logits=x))
learning_rate = tf.placeholder(tf.float32)
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss)
train_data = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
train_label = np.array([[0], [1], [1], [0]])
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
for step in range(10000):
if step < 3000:
lr = 1
elif step < 6000:
lr = 0.1
else:
lr = 0.01
_, l, pred = sess.run([optimizer, loss, preds], feed_dict={data: train_data, label: train_label, learning_rate: lr})
if step % 500:
print(‘Step: {} -> Loss: {} -> Predictions: {}’.format(step, l, pred))