TensorFlow学习笔记------前向传播算法知识点

针对回归问题与分类问题，学习前向传播算法

1、前向传播算法：
全连接：指前一层所有节点都有一个向量指向下一层的每个节点。
以判断零件是否合格为例，向前传播算法需要三部分信息：
输入：零件质量、零件长度。
神经网络的连接
输出节点
该算法可以表示成矩阵运算。
矩阵乘法用tf.matmul(x,y)进行运算。

2、神经网络中给随机数很常见，方法为：
#正态分布随机数
weights = tf.Variable(tf.randon_normal([2,3],stddev=2))
产生2*3的矩阵，矩阵元素均值为0，标准差为2，可以通过mean来指定平均值，默认0；

#平均分布随机数
tf.random_uniform(最大，最小，取值类型)

3、其他生成张量的函数：
tf.zeros([2,3],tf.int32)
tf.ones([2,3],tf.int32)
tf.fill([2,3],9)
tf.constant([1,2,3])

4、一个变量被使用之前，需要明确的初始化
w1 = tf.Variable(w0.initialized_value())
w2 = tf.Variable(w0.initialized_value() * 2)

5、如下代码实现了简单的前向传播算法：
import tensorflow as tf

w1 = tf.Variable(tf.random_normal([2,3],stddev=2,seed=1))
w2 = tf.Variable(tf.rand