Tensorflow——add_layer（添加神经层)

1.前言

在 Tensorflow 里定义一个添加层的函数可以很容易的添加神经层,为之后的添加省下不少时间.

神经层里常见的参数通常有weights、biases和激励函数。

2.def add_layer()

首先，我们需要导入tensorflow模块。
然后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，我们设定默认的激励函数是None。

import tensorflow as tf

def add_layer(inputs, in_size, out_size, activation_function=None):

接下来，我们开始定义weights和biases。

因为在生成初始参数时，随机变量(normal distribution)会比全部为0要好很多，所以我们这里的weights为一个in_size行, out_size列的随机变量矩阵。

Weights = tf.Variable.random_normal([in_size, out_size])
biases = tf.Variable(tf.zeros([1,out_size]) + 0.1)

下面，我们定义Wx_plus_b, 即神经网络未激活的值。其中，tf.matmul()是矩阵的乘法。

Wx_plus_b = tf.matmul(inputs, Weights) + biases

当activation_function——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。

if activation_function is None:
	outputs = Wx_plus_b
else:
	outputs = activation_function(Wx_plus_b)
return outputs

最后，返回输出，添加一个神经层的函数——def add_layer()就定义好了。

完整函数：

def add_layer(inputs, in_size, out_size, activation_function=None):
    Weights = tf.Variable.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