【tensorflow入门】8、建造入门级神经网络_适合入门的神经网络程序 tensorflow-优快云博客

本文介绍了如何使用TensorFlow建立一个包含10个神经元隐藏层的入门级神经网络。数据集是300个点的等差数列，目标变量为平方加噪声。注意，噪声的平均值应为0，标准差为0.05，编程时这个值的错误可能导致loss值无法下降。欢迎经验丰富的读者提供指导。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文为含有一个隐藏层的神经网络，隐藏层中神经元个数为10.

数据集：模拟数据集，x为等差数列的300个点，y=x^2-0.5+noise

[底部有注释]

import tensorflow as tf
import numpy as np

#添加神经层的函数
def add_layer(inputs,in_size,out_size,activation_function=None):
    Weights = tf.Variable(tf.random_normal([in_size,out_size]))   #二维
    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

x_data = np.linspace(-1,1,300)[:,np.newaxis]  #300行1列 模拟数据集
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])    #占位符
ys = tf.placeholder(tf.float32,[None,1])

l1 = add_layer(xs,1,10,activation_function=tf.nn.relu)   #中间层
prediction = add_layer(l1,10,1,activation_function=None)    #输出层

loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1]))
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)  #通过训练使损失变小

init = tf.global_variables_initializer()  

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}))

注释版：