5层神经网络带L2正则化的损失函数计算方法

# -*- coding: utf-8 -*-
“““
Created on Wed Sep  5 15:50:34 2018

@author: lenovo
“““

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（shapelambda1）:
    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