import tensorflow.compat.v1 as tf    #1.0版本的可以把 .compat.v1 删去
import numpy as np
import matplotlib.pyplot as plt  #调用绘图函数tf.disable_eager_execution()   #启用动态图机制'1.0版本可不用'

numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0)

np.random.normal(loc=0.0, scale=1.0, size=None)

x_data = np.linspace(-1,1,300)[:,np.newaxis]    #生成一个-1~1数量为300的等差数列，并提升一个维度
noise = np.random.normal(0,0.05,x_data.shape)    #生成一个正太分布的噪声
y_data = np.square(x_data) + noise     #生成一堆点

xs = tf.placeholder(tf.float32,[None,1])
ys = tf.placeholder(tf.float32,[None,1])

tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)

Weights_l1 = tf.Variable(tf.random_normal([1,10]))
biases_l1 = tf.Variable(tf.zeros([1,10])+0.1)
Wx_plus_b_l1 = tf.matmul(xs,Weights_l1) + biases_l1
l1 = tf.nn.relu(Wx_plus_b_l1)   

Weights_l2 = tf.Variable(tf.random_normal([10,1]))
biases_l2 = tf.Variable(tf.zeros([1,1])+0.1)
Wx_plus_b_l2 = tf.matmul(l1,Weights_l2) + biases_l2
prediction = Wx_plus_b_l2    

loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),reduction_indices=[1]))
train_step = tf.train.GradientDescentOptimizer(0.3).minimize(loss)

fig = plt.figure()    #画一个框
ax = fig.add_subplot(1,1,1)    #有绘制多个图会用到，只生成一个图可以不写
ax.scatter(x_data,y_data)    #绘制数据散点图
plt.ion()    #这个语句是为了能够连续的显示输出数据的变化
plt.show()    #显示图

with tf.Session() as sess:    #创建会话sess.run(init)for i in range(2000):sess.run(train_step,feed_dict={xs:x_data,ys:y_data})    #激活优化，传入参数if i % 50 == 0:try:    #抛出报错，即一旦出现exception类报错即执行except下的语句#删除上一条线，因为最开始没有线所以会报错，采用try跳过错误ax.lines.remove(lines[0])except Exception:                    passprediction_value = sess.run(prediction,feed_dict={xs:x_data})    #获取输出值#以x_data为x轴坐标，prediction_value为y轴坐标，画一条线宽为5，红色的实线lines = ax.plot(x_data,prediction_value,'r-',lw=5)plt.pause(0.5)    #画完暂停0.1秒
plt.pause(0)    #全部画完暂停，若没有这个语句显示完变化之后会直接关闭图框

def add_layer(inputs,in_size,out_size,activation_function=None):   #建立层（输入数据，输入数据的列数，输出数据的列数，激活函数）Weights = tf.Variable(tf.random_normal([in_size,out_size]))    #生成一个in_size行，out_size列的随机变量矩阵#这个操作返回一个具有shape形状的dtype类型的张量，所有元素都设置为零。但是全返回0可能会报错故加上0.1 。biases = tf.Variable(tf.zeros([1,out_size])+0.1)      Wx_plus_b = tf.matmul(inputs,Weights) + biases     #建立神经网络线性公式：inputs * Weights + biasesif activation_function is None:outputs = Wx_plus_b    #如果没有设置激活函数，则直接就把当前信号原封不动地传递出去else:outputs = activation_function(Wx_plus_b)    #如果设置了激活函数，则会由此激活函数来对信号进行传递或抑制
return outputs

l1 = add_layer(xs,1,10,activation_function=tf.nn.relu)    #激活函数传入参数
prediction = add_layer(l1,10,1,activation_function=None)    #输出结果