import tensorflow as tf
import numpy as np

# 构造添加一个神经层的函数
def add_layer(inputs, in_size, out_size, activation_function=None):

    Weights = tf.Variable(tf.random_normal([in_size, out_size]))
    biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)

    Wx_plus_b = tf.matmul(inputs, Weights) + biases

    if activation_function is None:
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b)

    return outputs

x_data = np.linspace(-1,1,300, dtype=np.float32)[:, np.newaxis]
# numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
# 得到 300 个大小的一维数组， 通过 [:, np.newaxis] 行变列，变为 300 行，1 列 的二维 数组

# numpy.random.normal(loc=0.0 均值, scale=1.0 标准差, size=None 形状)
noise = np.random.normal(0, 0.05, x_data.shape).astype(np.float32)

y_data = np.square(x_data) - 0.5 + noise

# 利用占位符定义我们所需的神经网络的输入。 `tf.placeholder()` 就是代表占位符
# 这里的 `None` 代表无论输入有多少都可以，因为输入只有一个特征，所以这里是 `1`。

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

# 定义 hide隐藏层， 利用之前的 `add_layer()` 函数，这里使用 Tensorflow 自带的激励函数 `tf.nn.relu`。
l1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu)

# 接着，定义输出层。此时的输入就是隐藏层的输出 —— `l1`，输入有 10 层（隐藏层的输出层），输出有 1 层。
prediction = add_layer(l1, 10, 1, activation_function=None)

# 计算预测值 `prediction` 和 真实值的误差，对二者差的平方求和再取平均。
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),
                     reduction_indices=[1]))

# 接下来，是很关键的一步，如何让机器学习提升它的准确率。
# `tf.train.GradientDescentOptimizer()` 中的值通常都小于 `1`，这里取的是 `0.1`，代表以 `0.1` 的效率来最小化误差 `loss`。

train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

# 使用变量时，都要对它进行初始化，这是必不可少的。
init = tf.global_variables_initializer()  # 替换成这样就好

# 定义 `Session`，并用 `Session` 来执行 `init` 初始化步骤。 
#（注意：在 `tensorflow` 中，只有session.run()才会执行我们定义的运算。）
sess = tf.Session()
sess.run(init)

for i in range(1000):
    # training
    sess.run(train_step, feed_dict={xs: x_data, ys: y_data})

    # 每 50 步 我们输出一下机器学习的误差。
    if i % 50 == 0:
        print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))