构建一个单层神经网络

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}))