第一个Tensorflow程序

我们使用第一个Tensorflow程序类似于HelloWord，用来测试安装环境，同时也可以使同学们直观的感受一下Tensorflow的魅力：

我们构造一个满足一元二次函数 y = ax2 + b 的原始数据，然后构建一个最简单的神经网络，仅包含一个输入层，一个隐藏层和一个输出层，通过Tensorflow将将隐藏层和输出层的weitghts和biases的值学习出来，看看随着训练次数的增加，损失值是不是不断减少。

# coding=utf-8
import tensorflow as tf
import numpy as np
#构造满足一元二次方程的函数

x_data = np.linspace(-1, 1, 300)[:, np.newaxis]

#加入一些噪声

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])
ys = tf.placeholder(tf.float32, [None, 1])
#定义添加层的函数

def add_layer(inputs, in_size, out_size, activation_function=None):

    weights = tf.Variable(tf.random_normal([in_size, out_size]))
    biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)
    Wx_plus_b = tf.matmul(inputs, weights) + biases
    if activation_function is None:
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b)
    return outputs
#构造隐藏层

h1 = add_layer(xs, 1, 20, activation_function=tf.nn.relu)

#构造输出层

prediction = add_layer(h1, 20, 1, activation_function=None)

loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),
                                    reduction_indices=[1]))
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
#初始化所以变量（注：老版本和新版本的方法名字有差异）

init = tf.initialize_all_variables()

sess = tf.Session()
sess.run(init)
#训练1000次

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}))