版权声明：站在巨人的肩膀上学习。 https://blog.csdn.net/zgcr654321/article/details/82916700
tensorflow的log日志显示级别设置：
import os
os.environ["TF_CPP_MIN_LOG_LEVEL"]='1' # 这是默认的显示等级，显示所有信息
os.environ["TF_CPP_MIN_LOG_LEVEL"]='2' # 只显示 warning 和 Error
os.environ["TF_CPP_MIN_LOG_LEVEL"]='3' # 只显示 Error 如果使用tensorflow-gpu环境，我们最好设置要使用哪块GPU：
import os
os.environ["CUDA_VISIBLE_DEVICES"] = "0"
# 只使用第0块GPU，编号是从0开始的，或者同时使用多块GPU，如"0"改为"0,1,2"
搭建神经网络的步骤：
神经网络一般分为输入层、隐藏层、输出层，首先要定义一个添加隐藏层的函数；
设置初始值x_data和y_data；
定义隐藏层，并先创建placeholder类型的xs和ys变量，给隐藏层和loss使用；
定义输出层；
定义loss和训练函数，这里我们使用了梯度下降法训练，并以loss值减小为指标训练；
定义初始化变量函数init；
创建一个用于管理神经网络运行的会话sess；
用sess.run先执行init函数，再循环执行1000次train_step函数（相当于训练了1000次），train_step使用了xs和ys为输入值；
每训练50次我们打印一下loss的结果，可以看出loss值在逐渐变小，说明神经网络的训练是成功的。
代码：
import tensorflow as tf
import numpy as np
import os
# os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
# 想要不出现红字提示，则需要上面这一句
# os.environ["TF_CPP_MIN_LOG_LEVEL"]='1'这是默认的显示等级，显示所有信息
# os.environ["TF_CPP_MIN_LOG_LEVEL"]='2'只显示 warning 和 Error
# os.environ["TF_CPP_MIN_LOG_LEVEL"]='3'只显示 Error
# os.environ["CUDA_VISIBLE_DEVICES"] = "0"
# 指定使用的GPU的编号，从0开始，如果使用tensorflow-gpu环境编译则需要上面这句
# 设置使用的GPU编号
# 定义一个添加层的函数
def add_layer(inputs, in_size, out_size, activation_function=None):
Weights = tf.Variable(tf.random_normal([in_size, out_size]))
# 生成in_size行out_size列的矩阵，矩阵元素Weight全部为随机数
biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)
# biases是一行out_size列矩阵，+0.1是因为在机器学习中biases初始值不推荐为0，biases值全部为0.1
Wx_plus_b = tf.matmul(inputs, Weights) + biases
# inputs和Weights做矩阵乘法
if activation_function is None:
outputs = Wx_plus_b
# activation_function is None时没有激励函数，是线性关系
else:
outputs = activation_function(Wx_plus_b)
# activation_function不为None时，得到的Wx_plus_b再传入activation_function再处理一下
return outputs
x_data = np.linspace(-1, 1, 300)[:, np.newaxis]
# linspace(-1,1,300)表示数据在-1到1区间有300个数的等差数列，然后增加一个维度
noise = np.random.normal(0, 0.05, x_data.shape)
# 添加噪点,使得数据看起来更像真是数据，0表示main，方差0.05，格式是x_data。shape
y_data = np.square(x_data) - 0.5
# 给train_step输入数据,xs和ys使用placeholder使得输入的数据可变化
xs = tf.placeholder(tf.float32, [None, 1])
ys = tf.placeholder(tf.float32, [None, 1])
# None, 1指行不定，列为1
# 下面要创建一个输入层、一个隐藏层、一个输出层
# 隐藏层设置成10个神经元，输入层有规定，有多少个输入属性就有多少个神经元
# 比如x_data只有一个属性，所以输入层只有一个神经元
# y_data也只有一个属性，所以输出层也只有一个神经元
# 定义隐藏层
l1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu)
# 10表示我们给隐藏层设置10个神经元
# 激励函数用relu，这个神经网络实际上是在用10条线段拟合一个抛物线
# 定义输出层
prediction = add_layer(l1, 10, 1, activation_function=None)
# 定义loss
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction), reduction_indices=[1]))
# 对每个例子求方差，再求方差和后求平均值，reduction_indices=[1]表示按行求和
# 定义训练函数,使用梯度下降法训练,0.1是学习效率，通常小于1,minimize(loss)指要将loss减小
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
# 这里用批量梯度下降方法
# 定义初始化变量函数
init = tf.global_variables_initializer()
# 创建会话
sess = tf.Session()
# sess.run执行
sess.run(init)
for i in range(1000):
sess.run(train_step, feed_dict={xs: x_data, ys: y_data})
if i % 50 == 0:
print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))
# loss使用了ys变量，由于是placeholder类型，所以后面必须加上feed_dict={xs:x_data,ys:y_data}运行结果如下（使用tensorflow-gpu环境）：
2018-10-01 15:08:38.630253: I tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX AVX2
2018-10-01 15:08:38.882268: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1405] Found device 0 with properties:
name: GeForce GTX 850M major: 5 minor: 0 memoryClockRate(GHz): 0.8625
pciBusID: 0000:01:00.0
totalMemory: 2.00GiB freeMemory: 1.89GiB
2018-10-01 15:08:38.883268: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1484] Adding visible gpu devices: 0
2018-10-01 15:08:40.088337: I tensorflow/core/common_runtime/gpu/gpu_device.cc:965] Device interconnect StreamExecutor with strength 1 edge matrix:
2018-10-01 15:08:40.088337: I tensorflow/core/common_runtime/gpu/gpu_device.cc:971] 0
2018-10-01 15:08:40.088337: I tensorflow/core/common_runtime/gpu/gpu_device.cc:984] 0: N
2018-10-01 15:08:40.088337: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1097] Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:0 with 1649 MB memory) -> physical GPU (device: 0, name: GeForce GTX 850M, pci bus id: 0000:01:00.0, compute capability: 5.0)
0.11096618
0.0064434353
0.0047680107
0.0038185227
0.0032078298
0.002782875
0.0024637873
0.0022129558
0.002004453
0.0018239499
0.0016663921
0.0015249904
0.0013992107
0.0012862246
0.0011845357
0.0010945582
0.0010145138
0.00094323757
0.0008806479
0.0008256799
Process finished with exit code 0