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