TensorFlow学习——创建神经网络

教学视频：B站 莫烦
编写的是一个非常基础的神经网络，只有一个隐含层。该神经网络训练结果是为了使Weight和biases更接近于y_data函数。视频是2017年的，TensorFlow版本有点低。
函数：添加层add_layer

import tensorflow as tf
import numpy as np

def add_layer(inputs,in_size,out_size,activation_function):
    Weights=tf.Variable(tf.random.normal([in_size,out_size]))
    biases=tf.Variable(tf.zeros([1,out_size])+0.1)
    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

人造数据集

x_data=np.linspace(-1,1,300)[:,np.newaxis]#linspace:生成一个等差函数。newaxis：增加维度，这里是为了矩阵乘法
noise=np.random.normal(0,0.05,x_data.shape)#增加噪声
y_data=np.square(x_data)-0.5+noise

定义层

#placeholder函数，在会话中，运行模型的时候通过feed_dict()函数向占位符喂入数据
xs=tf.placeholder(tf.float32,[None,1])
ys=tf.placeholder(tf.float32,[None,1])

l1=add_layer(xs,1,10,activation_function=tf.nn.relu)#隐含层
prediction=add_layer(l1,10,1,activation_function=None)#输出层

损失函数loss

loss=tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1]))
train_step=tf.train.GradientDescentOptimizer(0.1).minimize(loss)

初始化所有变量（一定！！！）

init=tf.initialize_all_variables()
sess=tf.Session()
sess.run(init)

训练

for i in range(1000):
    sess.run(train_step,feed_dict={xs:x_data,ys:y_data})
    if i%50==0:
        print(sess.run(loss,feed_dict={xs:x_data,ys:y_data}))

出现的错误
InvalidArgumentError: Matrix size-incompatible
原因：矩阵相乘先后有别
将Wx_plus_b=tf.matmul(Weights,inputs)+biases改成Wx_plus_b=tf.matmul(inputs,Weights)+biases（前面代码已改）
涉及的其他知识
tf.multiply和tf.matmul 区别：前者是矩阵元素各自相乘，即矩阵中位置相同的相乘，后者是矩阵乘法