tensorflow 建造神经层

# View more python learning tutorial on my Youtube and Youku channel!!!

# Youtube video tutorial: https://www.youtube.com/channel/UCdyjiB5H8Pu7aDTNVXTTpcg
# Youku video tutorial: http://i.youku.com/pythontutorial

"""
Please note, this code is only for python 3+. If you are using python 2+, please modify the code accordingly.
"""

# 如何建造神经网络
from __future__ import print_function
import tensorflow as tf
import numpy as np

def add_layer(inputs, in_size, out_size, activation_function=None):
    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
#声称数据
x_data = np.linspace(-1,1,300)[:,np.newaxis]
noise = np.random.normal(0,0.05,x_data.shape).astype(np.float32)
y_data = np.square(x_data) -0.5 + noise
#print(x_data)

#利用占位符定义我们所需的神经网络的输入。 tf.placeholder()就是代表占位符，
#这里的None代表无论输入有多少都可以，因为输入只有一个特征，所以这里是1。
xs = tf.placeholder(tf.float32, [None, 1])
ys = tf.placeholder(tf.float32, [None, 1])
'''
我们就可以开始定义神经层了。 通常神经层都包括输入层、隐藏层和输出层。
这里的输入层只有一个属性， 所以我们就只有一个输入；隐藏层我们可以自己假设，
这里我们假设隐藏层有10个神经元； 输出层和输入层的结构是一样的，所以我们的输出层也是只有一层。
所以，我们构建的是——输入层1个、隐藏层10个、输出层1个的神经网络。
'''
#定义隐藏层
layer1 = add_layer(xs,1,10,activation_function=tf.nn.relu)
#定义输出层｜预测 没有激励函数
prediction = add_layer(layer1,10,1,activation_function=None)

#求取预测值和真实值的误差
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),
                                    reduction_indices=[1]))
#使用优化器来最小化误差
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
# 重要一步，变量初始化
init = tf.global_variables_initializer()

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

for i in range(2000):
    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}))