第一个TensorFlow程序（一元二次函数-代码详解）

 （此程序可用于测试TensorFlow是否配置成功）

利用TensorFlow的神经网络训练一个模型，训练出权重值来使模型拟合的系数1和-0.5.

import tensorflow as tf
import numpy as np

# 构造满足一元二次方程的函数

#---1. 生成并加载数据---

# linspace:从[-1,1]获取300个x值;
# newaxis:增加维度，这里转化成300 x 1的二维数组
x_data = np.linspace(-1, 1, 300)[:, np.newaxis]  

# 加入一些噪声点，并且拟合为均值为0、方差为0.05的正态分布
# shape查看矩阵或数组的维数(300,1)
noise = np.random.normal(0, 0.05, x_data.shape)

# y = x^2 - 0.5 + noise
y_data = np.square(x_data) - 0.5 + noise

# 定义x，y的占位符来作为将要输入神经网络的变量
# tf.placeholder(数据类型type, 维度, 名称name)
xs = tf.placeholder(tf.float32, [None, 1]) # 列为1，行不定
ys = tf.placeholder(tf.float32, [None, 1])

#---2. 构建网络模型---

# 添加层add_layer(输入数据，输入数据的维度，输出数据的维度，激活函数)
def add_layer(inputs, in_size, out_size, activation_function=None):
    # 构建权重： in_size * out_size大小的矩阵
    # tf.random_normal(): 用于从服从指定正态分布的数值中取出指定个数的值
    weights = tf.Variable(tf.random_normal([in_size, out_size]))
    # 构建偏置： 1*out_size的矩阵
    # tf.zeros(): 创建一个所有的参数为０的tensor对象
    biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)
    # 矩阵相乘 (向量化处理 y = weights * x + biases)
    Wx_plus_b = tf.matmul(inputs, weights) + biases
    if activation_function is None:
        outputs = Wx_plus_b
    else :
        outputs = activation_function(Wx_plus_b)
    return outputs

# 构建隐藏层，假设隐藏层有20个神经元，激活函数为relu
h1 = add_layer(xs, 1, 20, activation_function=tf.nn.relu)
# 构建输出层，假设输出层和输入层一样，有1个神经元
prediction = add_layer(h1, 20, 1, activation_function=None)

# 构建损失函数：计算输出层的预测值和真实值的误差，对二者差的平方求和再取平均，得到损失函数
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),reduction_indices=[1]))
# 使用随机梯度下降算法，以0.1的效率最小化损失,使参数沿着梯度的反方向，即总损失减小的方向移动，实现更新参数
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

# ---3. 训练模型---

# 初始化所有变量
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)

# 进行1000次训练
for i in range(1000):
    sess.run(train_step, feed_dict={xs: x_data, ys: y_data})
    # 每50次打印一次损失值
    if i % 50 == 0:
        print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))

运行结果：