构建第一个神经网络

@莫烦Python

视频中讲解了如何构架第一个神经网络，使用到的库函数为TensorFlow和numpy。

###使用软件anaconda3

import tensorflow as tf
import numpy as np

#导入模块以后，构建一个添加神经网络层的函数 add_layer(),其中需要设置的神经网络层的变量为输入输出和激励函数，同时需要告知函数输入输出的大小(size)

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

#这里定义了x_data,y_data数组，'[:,np.newaxis]作用是使x_data变成一个有1个属性(attribute)，300个训练数据的数组

#noise的作用是使得训练数组不为标准的函数，存在一定的噪音。(防止过拟合?)

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

#placeholder负责存储数组的数组

xs = tf.placeholder(tf.float32,[None,1])

ys = tf.placeholder(tf.float32,[None,1]) 

#添加两层神经网络分别为l1,和prediction，所以一共有三层神经网络（输入，输出，隐藏）

l1 = add_layer(xs,1,10,activation_function=tf.nn.relu) #输入层，输入到有10个神经元的隐藏层
prediction = add_layer(l1,10,1,activation_function=None) #输出层，从隐藏层输出到输出层

#误差最小化
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),
            reduction_indices=[1]))
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)


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


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}))