import tensorflow as tf
import numpy as np
#事先定义一个隐藏层
def add_layer(inputs,in_size,out_size,activation_function=None):#加一个层，这里默认没有激活函数，即就是个线性函数
Weights=tf.Variable(tf.random_normal([in_size,out_size]))#这里W大写是为了让我们自己知道它是个矩阵，这里 的in_size指的是有in_size这么多行。。。。
biases=tf.Variable(tf.zeros([1,out_size])+0.1)#因为初始值不推荐为0，所以加上一，bias一般只有一列
Wx_plus_b=tf.matmul(inputs,Weights)+biases #其实就是wx+b
if activation_function is None:
outputs=Wx_plus_b
else:
outputs=activation_function(Wx_plus_b)
return outputs
x_data=np.linspace(-1,1,300)[:,np.newaxis]#[-1,1]区间有三百个单位，三百行
noise=np.random.normal(0,0.05,x_data.shape)#加上noise使其更加像个真实数据
y_data=np.square(x_data)-0.5+noise
xs=tf.placeholder(tf.float64,[None,1])
ys=tf.placeholder(tf.float64,[None,1])
#隐藏层
l1=add_layer(x_data,1,10,activation_function=tf.nn.relu)#（inputs，in_size,out_size,,,,）
#输出层
prediction=add_layer(l1,10,1,activation_function=None)
#损失函数
loss=tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),
reduction_indices=[1]))
train_step=tf.train.GradientDescentOptimizer(0.1).minimize(loss)#梯度下降法
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}))
构建一个单层神经网络
©著作权归作者所有,转载或内容合作请联系作者
- 文/潘晓璐 我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
- 文/花漫 我一把揭开白布。 她就那样静静地躺着，像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上，一...
- 文/苍兰香墨 我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
推荐阅读更多精彩内容
- 没吃过猪肉，但得看过猪跑。虽然我们暂时对深度学习及神经网路的基本原理知之甚少，但获得深刻理性认识必须建立在足够的感...
- 在这个目录下面的上一篇文章里面写了，对于一个数据集，如何用逻辑回归的方式去给他们分类。（链接 ： http://w...
