神經網路共有幾層（或當前是第幾層網路）都是指的計算層，輸入不是計算層，所以a為第一層網路，a是乙個一行三列矩陣。
我們把每層輸入乘以線上的權重w,這樣用矩陣可以計算出y了。
a=tf.matmul(x,w1)
y=tf.matmul(a,w2)
在實際應用中，我們可以一次餵入一組或多組輸入，讓神經網路計算輸出y，可以先用tf.placeholder給輸入佔位。如果一次喂一組資料,shape的第一維位置寫1，第二維位置要看有幾個輸入特徵；如果一次喂多組資料，shape的第一維位置可以寫none表示先空著，第二維位置寫有幾個輸入特徵。這樣在feed_dict中可以餵入若干組體積重量了。
這是乙個實現神經網路前向傳輸過程，網路可以自動推理出輸出y的值。
1)用placeholder實現輸入定義（sess.run中未入一組資料）的情況，第一組喂體積0.7、重量0.5
import tensorflow as tf#引入模組
#定義輸入
x = tf.placeholder(tf.float32,shape=(1,2))#shape=(1,2)表示一組資料，2個特徵
#定義隨機生成引數(變數)
w1 = tf.variable(tf.random_normal([2,3],stddev=1,seed=1))#seed=1表示生成的隨機數一致
w2 = tf.variable(tf.random_normal([3,1],stddev=1,seed=1))
#定向前向傳播過程
a = tf.matmul(x,w1)
y = tf.matmul(a,w2)
#用會話計算結果
with tf.session() as sess:
init_op = tf.global_variables_initializer()
sess.run(init_op)#變數初始化，在sess.run函式中彙總所有待優化變數
print("y:",sess.run(y,feed_dict=))#x的值是乙個1行2列的二維矩陣
2）用placeholder實現輸入定義（sess.run中餵入多組資料）的情況
各組體積、重量分別為[0.7,0.5]、[0.2,0.3]、[0.3,0.4]、[0.4,0.5]
import tensorflow as tf#引入模組
#定義輸入
x = tf.placeholder(tf.float32,shape=(none,2))#shape=(none,2)表示多少組資料不知道，有2個特徵
#定義隨機生成引數(變數)
w1 = tf.variable(tf.random_normal([2,3],stddev=1,seed=1))#seed=1表示生成的隨機數一致
w2 = tf.variable(tf.random_normal([3,1],stddev=1,seed=1))
#定向前向傳播過程
a = tf.matmul(x,w1)
y = tf.matmul(a,w2)
#用會話計算結果
with tf.session() as sess:
init_op = tf.global_variables_initializer()
sess.run(init_op)#變數初始化，在sess.run函式中彙總所有待優化變數
print("y:",sess.run(y,feed_dict=))#x的值是乙個4行2列的二維矩陣
print("w1:",sess.run(w1))#檢視隨機生成的引數
print("w2",sess.run(w2))
續：
搭建神經網路
1.import 2.train,test 3.model tf.keras.model.sequential 在sequential中描述網路結構，相當於走一遍前向傳播 4.model.compile 在compile中配置訓練方法，選擇哪個優化器，選擇什麼損失函式，選擇什麼評價指標 5.mode...
神經網路2
利用神經網路，採用合適的權重來實現邏輯電路中的與 或 非門等的實際計算 多個各種功能的神經元的疊加計算，有點類似agent的思想，將不同功能的單位組合起來實現同一目的 處理多種分類問題的模型，神經網路的優勢個人目前感覺就是我只需要收集簡單的資料資訊，神經網路自己進行挑選，計算，最終給出我們想要的結果...
神經網路體系搭建（一） 神經網路
本篇是神經網路體系搭建的第一篇，解決體系搭建的前四個問題，詳見神經網路體系搭建 序 神經網路的定義就不再贅述，直接從最簡單的神經網路說起。將一系列輸入資料，通過訓練好的網路模型處理，得到輸出結果，這是神經網路決策的步驟。那麼我們的重點就是通過訓練得到網路模型。從上圖可以看出，模型的關鍵其實是尋找合適...