深度学习：计算一个5层神经网络带L2正则化的损失函数

# coding = utf-8

# tensorflow中集合的运用：损失集合
# 计算一个5层神经网络带L2正则化的损失函数
import tensorflow as tf
import tensorflow.contrib.layers as tflayers
from numpy.random import RandomState

# 获得一层神经网络边上的权重，并将这个权重的L2正则化损失加入名称为'losses'的集合里
def get_weight(shape, lamada):
    # 生成对应一层的权重变量
    var = tf.Variable(tf.random_normal(shape), dtype=tf.float32)
    tf.add_to_collection('losses', tflayers.l2_regularizer(lamada)(var))
    return var

x = tf.placeholder(tf.float32, shape=(None, 2), name='x_input')
y_ = tf.placeholder(tf.float32, shape=(None, 1), name='y_input')

batch_size = 8

# 定义每层神经网络的节点个数
layer_dimension = [2, 10, 10 ,10, 1]
# 获取神经网络的层数
n_layers = len(layer_dimension)
# 这个变量表示前向传播时最深层的节点，最开始的时候是输入层
cur_layer = x
# 当前层的节点数
in_dimension = layer_dimension[0]

# 通过一个循环生成5层全连接的神经网络结构
for i in range(1, n_layers):
    # 获取下一层节点的个数
    out_dimension = layer_dimension[i]
    # 获取当前计算层的权重并加入了L2正则化损失
    weight = get_weight([in_dimension, out_dimension], 0.001)
    # 随机生成偏置
    bias = tf.Variable(tf.constant(0.1, shape=[out_dimension]))
    # 计算前向传播节点，使用RELU激活函数
    cur_layer = tf.nn.relu(tf.matmul(cur_layer, weight) + bias)
    # 进入下一层之前，更新下一层节点的输入节点数
    in_dimension = layer_dimension[i]


# 计算模型数据的均值化损失加入损失集合
mse_loss = tf.reduce_mean(tf.square(y_ - cur_layer))
tf.add_to_collection('losses', mse_loss)

# get_collection返回一个列表，列表是所有这个集合的所有元素
# 在本例中，元素代表了其他的损失，加起来就得到了所有的损失
loss = tf.add_n(tf.get_collection('losses'))

global_step = tf.Variable(0)
# 学习率的设置：指数衰减法，参数：初始参数，全局步骤，每训练100轮乘以衰减速度0.96（当staircase = True的时候）
learning_rate = tf.train.exponential_decay(0.1, global_step, 100, 0.96, staircase=True)
train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss, global_step=global_step)

rdm = RandomState(1)
dataset_size = 128
X = rdm.rand(dataset_size, 2)
# 加入了一个噪声值，-0.05~0.05之间
Y = [[x1 + x2 + rdm.rand() / 10.00 - 0.05] for (x1, x2) in X]

with tf.Session() as sess:
    init_op = tf.initialize_all_variables()
    sess.run(init_op)

    # print sess.run(w1)

    steps = 5000
    for i in range(steps):
        start = (i * batch_size) % dataset_size
        end = min(start + batch_size, dataset_size)

        sess.run(train_step, feed_dict={x : X[start:end], y_: Y[start:end]})

        if i % 100 == 0:
            total_loss = sess.run(loss, feed_dict={x:X, y_: Y})

            print("After %d training_steps, loss on all data is %g" % (i, total_loss))