Python搭建tensorflow三层神经网络

Python搭建tensorflow三层神经网络的小例子

import tensorflow as tfimport numpy as npimport matplotlib.pyplot as plt #输出图像的库#加入神经网络层，activation_function是激励函数，初始化为Nonedef add_layer(inputs,in_size,out_size,activation_function=None):    #定义权重(矩阵),为一个有in_size行，out_size列的矩阵,矩阵元素值取自一个正态分布中的随机数。    Weights=tf.Variable(tf.random_normal([in_size,out_size]))#random_normal    #定义偏置(列表)，初始值推荐不为零    biases=tf.Variable(tf.zeros([1,out_size]))+0.1    #Weight*x+biases    Wx_plus_b=tf.matmul(inputs,Weights)+biases    #如果没有激励函数（线性），直接输出计算结果    if activation_function is None:        outputs=Wx_plus_b    else:        outputs=activation_function(Wx_plus_b)    return outputs#定义两个占位符,元素格式为float32，维度为任意行1列xs=tf.placeholder(tf.float32,[None,1])ys=tf.placeholder(tf.float32,[None,1])#定义隐藏层l1（输出为10个神经元），输入矩阵为xs（为了避免提前重复计算，这里先用占位符填充）l1=add_layer(xs,1,10,activation_function=tf.nn.relu)#定义输出层(1个神经元)prediction=add_layer(l1,10,1,activation_function=None)#reduce_mean为取平均，reduce_sum为取和, reduction_indices为1意思是矩阵列化为1loss=tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=1))#每次以0.1的效率对误差进行更正（优化器）train_step=tf.train.AdamOptimizer(0.01).minimize(loss)x_data=np.linspace(-1,1,300)[:,np.newaxis] #x_data有一个特性，300个例子,元素值的范围是-1到1，[:,np.newaxis]是用来增加维度的，例如这里就把原矩阵从(300，)的一维数组转化成(300,1)的二维数组noise= np.random.normal(0,0.05,x_data.shape)#noise取值范围是0到0.05，维度和x_data一样y_data=np.square(x_data)-0.5+noise      #y_data=x_data的平方-0.5+noise;#必须初始化所有变量init= tf.initialize_all_variables()sess=tf.Session()sess.run(init)#利用pyplot库图像化training结果fig = plt.figure()#定义框体ax=fig.add_subplot(1,1,1)ax.scatter(x_data,y_data)plt.ion()plt.show()for i in range(2000):    #Training    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}))        try:            ax.lines.remove(lines[0])        except Exception:            pass        prediction_value=sess.run(prediction,feed_dict={xs:x_data})        lines=ax.plot(x_data,prediction_value,'r-',lw=5)        plt.pause(0.2)str =input("执行完毕，输入任意键退出");