tensorflow2.简单的神经网络（莫烦python笔记）

import tensorflow as tf
import numpy as np
import os
import matplotlib

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'


def base_layer(input,in_size,out_size,activation_fun = None): # input个神经元 output神经元
    w = tf.Variable(tf.random_normal([in_size,out_size]))  # 生成一个大小为[in_size,out_size]的权重矩阵
    b = tf.Variable(tf.zeros([1,out_size])+0.1)            # 生成一个大小为[1,out_size]的偏差矩阵，元素值都为0.1
    y = tf.matmul(input,w)+b # n行1列 乘以 1行10列 = n行10列   +1行10列 = n行10列
    if activation_fun is None:
        output = y
    else:
        output =activation_fun(y)
    return output

if __name__=="__main__":
    x_data = np.linspace(-1,1,10).astype('float32')[:,np.newaxis]
    noise = np.random.normal(0,0.05,x_data.shape)
    y_data = np.square(x_data)-0.5 + noise


    # placeholder()函数是在神经网络构建graph的时候在模型中的占位，此时并没有把要输入的数据传入模型，它只会分配必要的内存。等建立session，在会话中，运行模型的时候通过feed_dict()函数向占位符喂入数据
    xs = tf.placeholder(tf.float32,[None,1]) # N行 1列
    ys = tf.placeholder(tf.float32,[None,1])


    l1 = base_layer(xs,1,10,activation_fun=tf.nn.relu)  #隐层输入xs,隐层有1个输入单元，10个输出单元，激活函数为relu.
    result = base_layer(l1,10,1,activation_fun = None)  #输出层输入l1，10个输入单元，1个输出单元，激活函数None（默认为线性）

    loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-result),reduction_indices=[1]))
    train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

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

    for i in range(201):
        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}))

    sess.close()