TensorFlow 的简单例子，带大量注释

前言

学习Tensorflow的过程，好像很多人都是入门时候不好理解Tensorflow的运行形式，实际上我认为现有的很多教程只能达到作者自己看得懂的程度（当然我应该也干过），这一次复习优化器的过程中，我看到了一个不错的完整的入门例子，加上注释，提供给学习者参考

 

例子与解析

这一个例子使用了三个模块，分别是Tensorflow，提供机器学习库，numpy，提供数学计算还有随机数（矩阵）生成函数的库，matplotlib，提供图示显示，表格和可视化的库

放出所有的代码，在Python3.6和Tensorflow1.14上能运行

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt


# ADD LAYER 的例子

# 神经层添加函数
def add_layer(inputs, in_size, out_size, activation_function=None):
    Weights = tf.Variable(tf.random_normal([in_size, out_size]))  # 设置一个随机变量，是一个矩阵
    biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)  # 偏置是一行out_size大小列的
    Wx_plus_biases = tf.matmul(inputs, Weights) + biases  # 还没有激活的值
    if activation_function is None:  # 如果激活函数没有，激活函数是非线性方程，如果保持线性，则为None
        outputs = Wx_plus_biases
    else:
        outputs = activation_function(Wx_plus_biases)
    return outputs


# 自定义一个数据
x_data = np.linspace(-1, 1, 300)[:, np.newaxis]  # linspace:等差数列  newaxis:增加一个维度
noise = np.random.normal(0, 0.05, x_data.shape)
y_data = np.square(x_data) - 0.5 + noise

xs = tf.placeholder(tf.float32, [None, 1])  # None就是不限制Sample数量
ys = tf.placeholder(tf.float32, [None, 1])
l1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu)  # 输入层，隐藏层10
prediction = add_layer(l1, 10, 1, activation_function=None)  # 输出层,这里为啥一定要设置为prediction

# 计算loss即与真实值的差别，计算单个值，计算所有值，计算所有值的平均值
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction), reduction_indices=[1]))
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)  # 设置Tensorflow优化器0.1学习率
init = tf.global_variables_initializer()

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

fig = plt.figure()  # 实例化图表
ax = fig.add_subplot(1, 1, 1)  # 表示绘制的是1x1网格，第一子图
ax.scatter(x_data, y_data)  # 表示加上数据
plt.show()

for i in range(500):
    sess.run(train_step, feed_dict={xs: x_data, ys: y_data})  # 输入数据并进行训练
    if i % 50:
         print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))   # 计算和输出损失

 

有空我会丰富下这个内容的