莫烦PYTHON | Tensorflow教程——建造我们第一个神经网络（第三章）

#3.1 例子3 添加层def add_layer()
为神经网络添加一个神经层

import tensorflow as tf
#添加一个神经层
def add_layer(inputs, in_size, out_size, activation_function = None):
	Weights = tf.Variable(tf.random_normal([in_size,out_size])) #in_size代表行/输入层
	biases = tf.Variable(tf.zeros([1,out_size]) + 0.1)
	Wx_plus_b = tf.matmul(inputs,Weights) + biases #Wx_plus_b代表W*x+b

	if activation_function is None: #如果没有激励函数，即为线性关系，那么直接输出，不需要激励函数（非线性函数）
		outputs = Wx_plus_b
	else:
		outputs = activation_function(Wx_plus_b) #把这个值传进去
	return outputs	

#3.2 例子3 建造神经网络
构建一个简单的神经网络来预测y=x^2

import tensorflow as tf
import numpy as np
#添加一个神经层，定义添加神经层的函数
def add_layer(inputs, in_size, out_size, activation_function = None):
	Weights = tf.Variable(tf.random_normal([in_size,out_size])) #in_size代表行/输入层
	biases = tf.Variable(tf.zeros([1,out_size]) + 0.1)
	Wx_plus_b = tf.matmul(inputs,Weights) + biases #Wx_plus_b代表W*x+b

	if activation_function is None: #如果没有激励函数，即为线性关系，那么直接输出，不需要激励函数（非线性函数）
		outputs = Wx_plus_b
	else:
		outputs = activation_function(Wx_plus_b) #把这个值传进去
	return outputs

x_data = np.linspace(-1, 1, 300, dtype = np.float32)[:, np.newaxis]  #输入，np.float32改变数组的长度显示，linspace创建一个从-1到1的等差数列，默认为50个数，这里规定了要生成300个数，并且使用[:, np.newaxis]将数组转换为列向量，[np.newaxis,:]可转换为行向量
noise = np.random.normal(0, 0.05, x_data.shape).astype(np.float32) #生成一个均值/中心为0，标准差/宽度为0.05的正太分布作为噪点/干扰点，它的格式为x_data,使得我们想要预测的函数更加接近实际情况；astype转换数据类型格式为float32
y_data = np.square(x_data) - 0.5 + noise #x的平方减去一个任意值再加上噪点

xs = tf.placeholder(tf.float32, [None, 1]) #占位符，保存数据的利器，float32数据类型，[None,1]表示列为1，行不定的列向量；xs表示x_Session，因为placeholder是与Session一起用的，它在使用的时候和前面的variable不同的是在session运行阶段，需要给placeholder提供数据，利用feed_dict的字典结构给placeholdr变量“喂数据”;placeholder的语法：tf.placeho