''' Created on Apr 20, 2017 @author: P0079482 ''' import tensorflow as tf #获取一层神经网络边上的权重，并将这个权重的L2正则化损失加入名称为'losses'的集合中 def get_weight(shape,lambda1): #生成一个变量 var = tf.Variable(tf.random_normal(shape),dtype=tf.float32) #add_to_collection函数将这个新生成变量的L2正则化损失项加入集合 #这个函数的第一个参数'losses'是集合的名字，第二个参数是要加入这个集合的内容 tf.add_to_collection('losses',tf.contrib.layers.l2_regularizer(lambda1)(var)) #返回生成的变量 return var x = tf.placeholder(tf.float32,shape=(None,2)) y_= tf.placeholder(tf.float32,shape=(None,1)) batch_size=8 #定义了每一层网络中节点的个数、 layer_dimension=[2,10,10,10,1] #神经网络的层数 n_layers=len(layer_dimension) #这个变量维护前向传播时最深层的节点，开始的时候就是输入层 cur_layer=x #当前层的节点个数 in_dimension=layer_dimension[0] #通过一个循环来生成5层全连接的神经网络结构 for i in range(1,n_layers): #layer_dimension[i]为下一层的节点个数 out_dimension=layer_dimension[i] #生成当前层中权重的变量，并将这个变量的L2正则化损失加入计算图上的集合 weight=get_weight([in_dimension,out_dimension],0.001) bias=tf.Variable(tf.constant(0.1,shape=[out_dimension])) #使用ReLU激活函数 cur_layer=tf.nn.relu(tf.matmul(cur_layer,weight)+bias) #进入下一层之前将下一层的节点个数更新为当前层节点个数 in_dimension=layer_dimension[i] #在定义神经网络前向传播的同时已经将所有的L2正则化损失加入了图上的集合 #这里只需要计算刻画模型在训练数据上表现的损失函数 mse_loss=tf.reduce_mean(tf.square(y_-cur_layer)) #将均方误差损伤函数加入损伤集合 tf.add_to_collection('losses',mse_loss) #get_collection返回一个列表，这个列表是所有这个集合中的元素。在这个样例中 #这些元素就是损失函数的不同部分，将它们加起来就可以得到最终的损失函数 loss=tf.add_n(tf.get_collection('losses'))