TensorFlow练习03-多层神经网络构造_tensorflow多层神经网络实现-优快云博客

本文介绍如何使用TensorFlow和NumPy从零开始构建一个简单的神经网络模型，通过定义神经层函数并应用ReLU激活函数来解决非线性回归问题。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import tensorflow as tf
import numpy as np
###定义添加神经层函数add_layer
def add_layer(inputs, in_size, out_size, activation_function = None):#输入值，输入量，输出量,激活函数默认：无
    Weights = tf.Variable(tf.random_normal([in_size, out_size]))   #随机初始化权重
    biases = tf.add(tf.Variable(tf.zeros([1,out_size])), 0.1)
    Wx_plus_b = tf.matmul(inputs, Weights) + biases
    if activation_function is None:  #默认无激活函数
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b)  #调用激活函数，引入非线性因素
    return  outputs

###构造样本
x_data = np.linspace(-1, 1, 300)[:,np.newaxis]   #输入值x： 1维
noise = np.random.normal(0,0.05,x_data.shape)    #噪声，正态分布均值0，标准差0.05
y_data = np.square(x_data) - 0.5 + noise       #输出值

xs = tf.placeholder(tf.float32, [None, 1])    #None: [None, 1]：输入维数为1
ys = tf.placeholder(tf.float32, [None, 1])

inputLayer = add_layer(xs, 1, 10, activation_function = tf.nn.relu)     #输入层：输入量1，输出量10（隐含层），激活函数:relu
outputLayer = add_layer(inputLayer, 10, 1, activation_function = None)    #输出层：输入量：10（隐含层），输出量1

loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-outputLayer),1)) #reduce_sum：对所有元素求和，reduction_indices[1]按行求和，最后输出行向量
                                                                            # reduction_indices[0]按列求和,输出行向量
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)                   #设定学习效率 <1
init = tf.initialize_all_variables()

with tf.Session() as sess:
    sess.run(init)
    for i in range(1000):
        sess.run(train_step, feed_dict={xs:x_data, ys:y_data})    #placeholder传参
        if (i % 50 == 0):
            print(sess.run(loss, feed_dict={xs:x_data, ys:y_data})) #每次调用run操作都需要placeholder传参