1. 搭建神經網路基本流程

定義新增神經層的函式

1.訓練的資料
2.定義節點準備接收資料
3.定義神經層：隱藏層和預測層
4.定義 loss 表示式
5.選擇 optimizer 使 loss 達到最小

然後對所有變數進行初始化，通過 sess.run optimizer，迭代 1000 次進行學習：

import tensorflow as tf
import numpy as np

# 新增層
def add_layer(inputs, in_size, out_size, activation_function=None):
    # add one more layer and return the output of this layer
 

    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

# 1.訓練的資料
 

# Make up some real data 
x_data = np.linspace(-1,1,300)[:, np.newaxis]
noise = np.random.normal(0, 0.05, x_data.shape)
y_data = np.square(x_data) - 0.5 + noise

# 2.定義節點準備接收資料
# define placeholder for inputs to network  
xs = tf.placeholder(tf.float32, [None, 1])
ys = tf.placeholder(tf.float32, [None, 1
 
])

# 3.定義神經層：隱藏層和預測層
# add hidden layer 輸入值是 xs，在隱藏層有 10 個神經元   
l1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu)
# add output layer 輸入值是隱藏層 l1，在預測層輸出 1 個結果
prediction = add_layer(l1, 10, 1, activation_function=None)

# 4.定義 loss 表示式
# the error between prediciton and real data    
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),
                     reduction_indices=[1]))

# 5.選擇 optimizer 使 loss 達到最小                   
# 這一行定義了用什麼方式去減少 loss，學習率是 0.1       
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)


# important step 對所有變數進行初始化
#init = tf.initialize_all_variables()
init = tf.global_variables_initializer()
sess = tf.Session()
# 上面定義的都沒有運算，直到 sess.run 才會開始運算
sess.run(init)

# 迭代 1000 次學習，sess.run optimizer
for i in range(1000):
    # training train_step 和 loss 都是由 placeholder 定義的運算，所以這裡要用 feed 傳入引數
    sess.run(train_step, feed_dict={xs: x_data, ys: y_data})
    if i % 50 == 0:
        # to see the step improvement
        print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))

2. 主要步驟的解釋：

import tensorflow as tf
import numpy as np

• 匯入或者隨機定義訓練的資料 x 和 y：

x_data = np.random.rand(100).astype(np.float32)
y_data = x_data*0.1 + 0.3

• 先定義出引數 Weights，biases，擬合公式 y，誤差公式 loss：

Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
biases = tf.Variable(tf.zeros([1]))
y = Weights*x_data + biases
loss = tf.reduce_mean(tf.square(y-y_data))

• 選擇 Gradient Descent 這個最基本的 Optimizer：

optimizer = tf.train.GradientDescentOptimizer(0.5)

• 神經網路的 key idea，就是讓 loss 達到最小：

train = optimizer.minimize(loss)

• 前面是定義，在執行模型前先要初始化所有變數：

init = tf.initialize_all_variables()

• 接下來把結構啟用，sesseion像一個指標指向要處理的地方：

sess = tf.Session()

• init 就被激活了，不要忘記啟用：

sess.run(init)

• 訓練201步：

for step in range(201):

• 要訓練 train，也就是 optimizer：

sess.run(train)

• 每 20 步列印一下結果，sess.run 指向 Weights，biases 並被輸出：

if step % 20 == 0:
print(step, sess.run(Weights), sess.run(biases))

所以關鍵的就是 y，loss，optimizer 是如何定義的。