Tensorflow构建一个简单的神经网络

假设输入层一个，隐藏层10个，输出层一个神经元

直接在代码里说明（中文内容）

import tensorflow as tf

import numpy as np
#define add a neural layer

//定义一个添加层的函数包括几个参数，输入，行数，列数和激活函数，随机初始化一个权重矩阵，bias矩阵不为0，
def add_layer(inputs, in_size, out_size, activition_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)
    W_plus_b = tf.matmul(inputs, Weights) + biases
    if activition_function is None:
        outputs = W_plus_b
    else:
        outputs = activition_function(W_plus_b)
    return outputs


//构建所需的数据。 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。
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

//用placeholder来定义输入和输出，与feed_dict相对应
xs=tf.placeholder(tf.float32,[None,1])
ys=tf.placeholder(tf.float32,[None,1])

//定义隐含层和输出层，包括输入的内容，神经元的个数，和激活函数。
l1=add_layer(xs,1,10,activition_function=tf.nn.relu)
prediction=add_layer(l1,10,1,activition_function=None)

//定义损失函数
loss=tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1]))

//训练步骤，将loss最小化，定义一个学习率
train_step=tf.train.GradientDescentOptimizer(0.1).minimize(loss)

//将所有的变量初始化！！！very important
init=tf.global_variables_initializer()

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

//训练1000次，没50次迭代测输出对应的loss值
for i in range(1000):
    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}))