tensorflow loss到多少_tensorflow学习笔记day4

今天学习的是如何搭建一个完整的神经网络结构，这几天都在研究整篇代码的含义，网上的教程都是各有缺失，综合了多个版本才完全搞清楚。我会把每个函数的API都详细的讲，也懒得拆成上下两篇，就弄一篇所以这篇文章会格外的长，希望大家能有耐心看下去。再说一下我是学的1.0版本的tensorflow编程，我电脑装的是2.0版本，不想换了，所以代码用到的是兼容代码。

人工神经网络主要架构是由神经元、层和网络三个部分组成。整个人工神经网络包含一系列基本的神经元、通过权重相互连接。神经元是人工神经网络最基本的单元。单元以层的方式组，每一层的每个神经元和前一层、后一层的神经元连接，共分为输入层、输出层和隐藏层，三层连接形成一个神经网络。输入层只从外部环境接收信息，是由输入单元组成，而这些输入单元可接收样本中各种不同的特征信息。该层的每个神经元相当于自变量，不完成任何计算，只为下一层传递信息；隐藏层介于输入层和输出层之间，这些层完全用于分析，其函数联系输入层变量和输出层变量，使其更配适数据。而最后，输出层生成最终结果，每个输出单元会对应到某一种特定的分类，为网络送给外部系统的结果值，整个网络由调整链接强度的程序来达成学习的目的。

就用一个例子来详细讲解，本次代码加入结果可视化，就不在单独写一篇了

首先调用函数和启用动态图机制，这次我们需要用到绘图工具所以别忘了调用

import tensorflow.compat.v1 as tf    #1.0版本的可以把 .compat.v1 删去
import numpy as np
import matplotlib.pyplot as plt  #调用绘图函数

tf.disable_eager_execution()   #启用动态图机制'1.0版本可不用'

接下来是构建随机数据

这里用到了numpy的一个生成等差数列的API：

numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0)

这个函数会返回一个范围在start~stop之间的数量为num的等差数列，数量未规定默认为50，后面一般保持默认就好。

还用到了numpy的一个从正态分布中随机抽取样本的API:

np.random