tensorflow-搭建两层神经网络

import tensorflow as tf
import numpy as np
#定义一个定义层的函数，输入参数为inputs数据，输入维度，输出维度，激活函数名称
def add_layer(inputs, in_size, out_size, activation_function=None):
#创建权重变量，使用random_normal函数，将产生均值为0,方差为1的高斯分布数据，
    Weights = tf.Variable(tf.random_normal([in_size,out_size]))
#创建偏置值，偏置值最好不为0
    Biases = tf.Variable(tf.zeros([1,out_size])+0.1)
#tf中的tensor张量乘法和加法，这里使用+和tf.add等价，+会默认转换为tf.add
    Wx_plus_b = tf.matmul(inputs,Weights) + Biases
    if activation_function==None:
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b)
    return outputs

#得到-1到1之间的300个等分数，生成初始是(300,),通过np.newaxis增加一个维度，使得维度变为(300,1)
x_data = np.linspace(-1,1,300)[:,np.newaxis]
#通过np.random.normal()函数生成平均值为0,方差为0.05的高斯分布
noise = np.random.normal(0,0.05,x_data.shape)
y_data = np.square(x_data)-0.5+noise

#创建占位符，当输入需要时可以按照需要输入数据
xs = tf.placeholder(tf.float32,[None,1])
ys = tf.placeholder(tf.float32,[None,1])

#添加两层网络
l1 = add_layer(xs,1,10, activation_function = tf.nn.relu)
prediction = add_layer(l1, 10, 1, activation_function= None)

#计算loss值，其中reduce_sum和reduce_mean都可以使用reduction_indices=[0]或[1]表示列和行进行操作
#loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction), reduction_indices=[1]))
cost = tf.square(ys-prediction)
#loss = tf.reduce_sum(cost, reduction_indices=[1])
loss1 = tf.reduce_mean(cost)

#使用GradientDescentOptimizer优化方法使得loss minimize
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss1)


init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    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}))
            #print(sess.run(cost, feed_dict={xs:x_data, ys:y_data}))
#通过feed_dict={字典}的方式将数据填充到占位符中
            print(sess.run(loss1, feed_dict={xs:x_data, ys:y_data}))
            #print(loss)