Tensorflow--tutorial--建造神经网络(输入层，隐藏层，输出层)

建造一个完整的神经网络,包括添加神经层,计算误差,训练步骤,判断是否在学习。
代码如下：(我把注释写的非常详细，不用怕看不懂)

from __future__ import print_function
#导入所需模块
import tensorflow as tf
import numpy as np
#定义添加神经层的函数def add_layer()
#它有四个参数：输入值、输入的大小，输出的大小和激励函数
def add_layer(inputs, in_size, out_size, activation_function=None):
    # add one more layer and return the output of this layer
    Weights = tf.Variable(tf.random_normal([in_size, out_size]))
    biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)#推荐值不为0
    # 当激励函数为None时，输出就是当前的预测值——Wx_plus_b，不为None时
    # 就把Wx_plus_b传到activation_function()函数中得到输出。
    Wx_plus_b = tf.matmul(inputs, Weights) + biases#神经网络未激活的值
    if activation_function is None:
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b)
    return outputs

#导入数据
#怎样建造一个完整的神经网络,包括添加神经层,计算误差,训练步骤,判断是否在学习
#这里的x_data和y_data并不是严格的一元二次函数的关系，
# 因为我们多加了一个noise,这样看起来会更像真实情况。
# Make up some real data
x_data = np.linspace(-1,1,300)[:, np.newaxis]
noise = np.random.normal(0, 0.05, x_data.shape)
y_data = np.square(x_data) - 0.5 + noise

#构建的是——输入层1个、隐藏层10个、输出层1个的神经网络。
#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])
'''
接下来，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。
'''
# add hidden layer 搭建网络
# 假设隐藏层有10个神经元
#我们开始定义隐藏层,利用之前的add_layer()函数，这里使用 Tensorflow 自带的激励函数#tf.nn.relu。
l1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu)
# add output layer
#定义输出层。此时的输入就是隐藏层的输出——l1，输入有10层（隐藏层的输出层），输出有1层。
prediction = add_layer(l1, 10, 1, activation_function=None)

#计算预测值prediction和真实值的误差，对二者差的平方求和再取平均。
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),
                     reduction_indices=[1]))
#是很关键的一步，如何让机器学习提升它的准确率,
# tf.train.GradientDescentOptimizer()中的值通常都小于1，
# 这里取的是0.1，代表以0.1的效率来最小化误差loss。
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

# important step
# tf.initialize_all_variables() no long valid from
# 2017-03-02 if using tensorflow >= 0.12
if int((tf.__version__).split('.')[1]) < 12:
    #使用变量时，都要对它进行初始化，这是必不可少的。
    init = tf.initialize_all_variables()
else:
    init = tf.global_variables_initializer()
    #定义Session，并用 Session 来执行 init 初始化步骤。
    # （注意：在tensorflow中，只有session.run()才会执行我们定义的运算。）
sess = tf.Session()
sess.run(init)

#训练
#我们让机器学习1000次。机器学习的内容是train_step,
# 用 Session 来 run 每一次 training 的数据，逐步提升神经网络的预测准确性。
# (注意：当运算要用到placeholder时，就需要feed_dict这个字典来指定输入。)
for i in range(1000):
    # training
    sess.run(train_step, feed_dict={xs: x_data, ys: y_data})
    # 每50步我们输出一下机器学习的误差
    if i % 50 == 0:
        # to see the step improvement
        print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))

运行结果如图所示：


新版Tensorflow在添加神经层那一块将只用一句话代替那些代码，如图：

真是方便！！！
输出的误差值在逐渐减小，表明机器学习是有积极的效果的。