​​https://www.bilibili.com/video/av22530538/?p=14​​

#前向传播
#参数：即xn ---wn --->y  --->线上的权重W，用变量表示，随机给初值。
#w=tf.Variable(tf.random_normal([2,3],stddev=2,mean=0,seed=1))
#                正态分布     产生2*3矩阵  标准差喂2  均值喂0   随机种子
#            tf.truncated_normal()      tf.random_uniform()
#              去掉过大偏离点的正态分布        平均分布

#tf.zeros全0数组  tf.zeros([3,2],int32)  生成[[0,0],[0,0],[0,0]]
#tf.ones 全1数组     tf.ones([3,2],int32)生成[[1,1],[1,1],[1,1]]
#tf.fill全定值数组   tf.fill([3,2],6)生成[[6,6].[6,6],[6,6]]
#tf.constant直接给值 tf.constant([3,2,1])生成[3,2,1]

#神经网络实现过程：
#1、准备数据集，提取特征，作为输入喂给神经网络（NN）
#2、搭建NN结构，从输入到输出（先搭建计算图，再用会话执行）
#（NN前向传播算法===》计算输出）
#3、大量特征数据喂给NN，迭代优化NN参数
#（NN反向传播算法---》优化参数训练模型）
#4、使用训练好的模型预测和分类

#前向传播 ==>搭建模型，实现推理（以全联接网络为列）
#eg：产生一批零件将体积x1，和体重x2为特征输入NN，通过NN后输出一个数值。

#推导：
#1、X是输入为1*2矩阵：W前节点编号，后节点编号（层数）为待优化的参数
#W1为2*3矩阵
#a1为1*3矩阵 = XW1
#w2为3*1矩阵 = a1*w2
#a=tf.matmul(X,W1)
#b = tf.matmul(a,W2)

#变量初始化，计算图节点运算都要用会话with结构）实现
#with tf.Session() as sess:
#      sess.run()

#变量初始化：在sess.run函数中要用tf.global_variables_initializer()
#init_op = tf.global_varigales_initalizer()
# sese.run(init_op)

#计算图节点运算：在sess.run函数中写入待运算的节点
#sess.run(y)

#用tf.placeholder占位，在sess.run函数中用feed_dict喂数据
#喂一组数据：
#x=tf.placeholder(tf.float32,shape=(1,2))
#sess.run(y,feed_dict={x:[[0.5,0.6]]})
#喂多组数据：
#x=tf.placeholder(tf.float32,shape=(None,2))
#sess.run(y,feed_dict={x:[[0.5,0.6],[0.2,0.3],[0.4,0.5],[0.1,0.2]]})
#实践代码，感受NN前向传播过程

 

#两层简单神经网络（全连接）

import tensorflow as tf


#定义输入和参数
#1定义神经网络的输入，参数和输出，定义前向传播过程。
#x = tf.constant([[0.7,0.5]])
#用placeholder实现输入定义，（sess.run中喂一组数据）
x=tf.placeholder(tf.float32,shape=(None,2))
w1 = tf.Variable(tf.random_normal([2,3], stddev=1, seed=1))
w2 = tf.Variable(tf.random_normal([3,1], stddev=1, seed=1))

#定义前向传播过程
a = tf.matmul(x, w1)
y = tf.matmul(a, w2)

#生成会话，
with tf.Session() as sess:
    init_op = tf.global_variables_initializer()
    sess.run(init_op)
    #print("y:\n",sess.run(y))
    #print(sess.run(y, feed_dict={x: [[0.7, 0.5]]}))
    print(sess.run(y, feed_dict={x: [[0.7, 0.5],[0.2,0.3],[0.3,0.4],[0.4,0.5]]}))
    print(sess.run(w1))
    print(sess.run(w2))
[[3.0904665]
 [1.2236414]
 [1.7270732]
 [2.2305048]]
[[-0.8113182   1.4845988   0.06532937]
 [-2.4427042   0.0992484   0.5912243 ]]
[[-0.8113182 ]
 [ 1.4845988 ]
 [ 0.06532937]]