基于Tensorflow搭建一个神经网络的实现

import Tensorflow as tf
import numpy as np
 
#创建数据
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data*0.1+0.3
 
#创建一个 tensorlow 结构
weights = tf.Variable(tf.random_unifORM([1], -1.0, 1.0))#一维，范围[-1,1]
biases = tf.Variable(tf.zeros([1]))
 
y = weights*x_data + biases
 
loss = tf.reduce_mean(tf.square(y - y_data))#均方差函数
 
#建立优化器，减少误差，提高参数准确度，每次迭代都会优化
optimizer = tf.train.GradientDescentOptimizer(0.5)#学习率为0.5（<1)
train = optimizer.minimize(loss)#最小化损失函数
 
#初始化不变量
init = tf.global_variables_initializer()
 
with tf.Session() as sess:
    sess.run(init)
    #train
    for step in range(201):
        sess.run(train)
        if step % 20 == 0:
            print(step, sess.run(weights), sess.run(biases))

import tensorflow as tf
 
matrix1 = tf.constant([[3, 3]])
matrix2 = tf.constant([[2], [2]])
 
product = tf.matmul(matrix1, matrix2)
 
#method1
sess = tf.Session()
result2 = sess.run(product)
print(result2)
 
#method2
# with tf.Session() as sess:
#     result2 = sess.run(product)
#     print(result2)

import tensorflow as tf
 
state = tf.Variable(0, name = 'counter')#变量初始化
# print(state.name)
one = tf.constant(1)
new_value = tf.add(state, one)
#将state用new_value代替
updata = tf.assign(state, new_value)
 
#变量激活
init = tf.global_variables_initializer()
 
with tf.Session() as sess:
    sess.run(init)
    for _ in range(3):
        sess.run(updata)
        print(sess.run(state))

#给定type,tf大部分只能处理float32数据
input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
 
output = tf.multiply(input1, input2)
 
with tf.Session() as sess:
    print(sess.run(output, feed_dict={input1:[7.], input2:[2.]}))

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
 
def add_layer(inputs, in_size, out_size, activation_function = None):
    Weights = tf.Variable(tf.random_normal([in_size, out_size]))#正态分布
    biases = tf.Variable(tf.zeros([1, out_size])+0.1) #1行，out_size列，初始值不推荐为0，所以加上0.1
    Wx_plus_b = tf.matmul(inputs, Weights) + biases #Weights*x+b的初始化值，也是未激活的值
 
    #激活
 
    if activation_function is None:
        #如果没有设置激活函数，，则直接把当前信号原封不动的传递出去
        outputs = Wx_plus_b
    else:
        #如果设置了激活函数，则由此激活函数对信号进行传递或抑制
        outputs = activation_function(Wx_plus_b)
    return outputs

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
 
def add_layer(inputs, in_size, out_size, activation_function = None):
    Weights = tf.Variable(tf.random_normal([in_size, out_size]))#正态分布
    biases = tf.Variable(tf.zeros([1, out_size])+0.1) #1行，out_size列，初始值不推荐为0，所以加上0.1
    Wx_plus_b = tf.matmul(inputs, Weights) + biases #Weights*x+b的初始化值，也是未激活的值
 
    #激活
 
    if activation_function is None:
        #如果没有设置激活函数，，则直接把当前信号原封不动的传递出去
        outputs = Wx_plus_b
    else:
        #如果设置了激活函数，则由此激活函数对信号进行传递或抑制
        outputs = activation_function(Wx_plus_b)
    return outputs
 
"""定义数据形式"""
#创建一列（相当于只有一个属性值），（-1，1）之间，有300个单位，后面是维度，x_data是有300行
x_data = np.linspace(-1, 1, 300)[:, np.newaxis]#np.linspace在指定间隔内返回均匀间隔数字
#加入噪声，均值为0，方差为0.05，形状和x_data一样
noise = np.random.normal(0, 0.05, x_data.shape)
#定义y的函数为二次曲线函数，同时增加一些噪声数据
y_data = np.square(x_data) - 0.5 + noise
 
#定义输入值，输入结构的输入行数不固定，但列就是1列的值
xs = tf.placeholder(tf.float32, [None, 1])
ys = tf.placeholder(tf.float32, [None, 1])
 
"""建立网络"""
#定义隐藏层，输入为xs，输入size为1列，因为x_data只有一个属性值，输出size假定有10个神经元的隐藏层，激活函数relu
l1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu)
#定义输出层，输出为l1输入size为10列，也就是l1的列数，输出size为1，这里的输出类似y_data，因此为1列
prediction = add_layer(l1, 10, 1,activation_function=None)
 
"""预测"""
#定义损失函数为差值平方和的平均值
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1]))
 
"""训练"""
#进行逐步优化的梯度下降优化器，学习率为0.1，以最小化损失函数进行优化
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
#初始化模型所有参数
init = tf.global_variables_initializer()
 
#可视化
with tf.Session() as sess:
    sess.run(init)
 
    for i in range(1000):#学习1000次
        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}))
 

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
 
def add_layer(inputs, in_size, out_size, activation_function = None):
    Weights = tf.Variable(tf.random_normal([in_size, out_size]))#正态分布
    biases = tf.Variable(tf.zeros([1, out_size])+0.1) #1行，out_size列，初始值不推荐为0，所以加上0.1
    Wx_plus_b = tf.matmul(inputs, Weights) + biases #Weights*x+b的初始化值，也是未激活的值
 
    #激活
 
    if activation_function is None:
        #如果没有设置激活函数，，则直接把当前信号原封不动的传递出去
        outputs = Wx_plus_b
    else:
        #如果设置了激活函数，则由此激活函数对信号进行传递或抑制
        outputs = activation_function(Wx_plus_b)
    return outputs
 
"""定义数据形式"""
#创建一列（相当于只有一个属性值），（-1，1）之间，有300个单位，后面是维度，x_data是有300行
x_data = np.linspace(-1, 1, 300)[:, np.newaxis]#np.linspace在指定间隔内返回均匀间隔数字
#加入噪声，均值为0，方差为0.05，形状和x_data一样
noise = np.random.normal(0, 0.05, x_data.shape)
#定义y的函数为二次曲线函数，同时增加一些噪声数据
y_data = np.square(x_data) - 0.5 + noise
 
#定义输入值，输入结构的输入行数不固定，但列就是1列的值
xs = tf.placeholder(tf.float32, [None, 1])
ys = tf.placeholder(tf.float32, [None, 1])
 
"""建立网络"""
#定义隐藏层，输入为xs，输入size为1列，因为x_data只有一个属性值，输出size假定有10个神经元的隐藏层，激活函数relu
l1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu)
#定义输出层，输出为l1输入size为10列，也就是l1的列数，输出size为1，这里的输出类似y_data，因此为1列
prediction = add_layer(l1, 10, 1,activation_function=None)
 
"""预测"""
#定义损失函数为差值平方和的平均值
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1]))
 
"""训练"""
#进行逐步优化的梯度下降优化器，学习率为0.1，以最小化损失函数进行优化
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
#初始化模型所有参数
init = tf.global_variables_initializer()
 
#可视化
with tf.Session() as sess:
    sess.run(init)
 
    fig = plt.figure()#先生成一个图片框
    #连续性画图
    ax = fig.add_subplot(1, 1, 1)#编号为1，1，1
    ax.scatter(x_data, y_data)#画散点图
    #不暂停
    plt.ion()#打开互交模式
    # plt.show()
    #plt.show绘制一次就暂停了
    for i in range(1000):#学习1000次
        sess.run(train_step, feed_dict={xs:x_data, ys:y_data})
        if i%50==0:
 
 
            try:
                #画出一条后，抹除掉，去除第一个线段，但是只有一个相当于抹除当前线段
                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)#lw线宽
 
            #暂停
            plt.pause(0.5)