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(shape, lambda):
        #生成一个变量
    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(lambda)(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_dimension[0]
#通过一个循环来生成5层全连接的神经网络结构
for i in range(1, n_layers):
    #layer_dimension[i]为下一层的节点个数
    out_dimension = lay_dimension[i]
    #生成当前层中权重的变量，并将这个变量的L2正则化损失加入计算图上的集合
    weight = get_weight([in_dimension, out_dimension], 0.001)
    bias = tf.Variable(tf.constant(0.1, shape=[out_dimension]))
    #使用Relu激活函数
    cur_layer = tf.nn.relu(tf.matmul(cur_layer, weight) + bias)
    #进入下一层之前将下一层的节点个数更新为当前节点的个数
    in_dimension = layer_dimension[i]
    
#在定义神经网路前向传播的同时已经将所有的L2正则化损失加入了图上的集合,
#这里只需要计算刻画模型在训练数据上的表现的损失函数
mes_loss = tf.reduce_mean(tf.square(y_ - cur_layer))

#将均方误差损失函数加入损失集合。
tf.add_to_collection('losses', mes_loss)

#get_collect返回一个列表,这个列表是所有这个集合的元素。在这个样例中,
#这些元素就是损失函数的不同部分，将他们加起来就可以得到最终的损失函数.
loss = tf.add_n(tf.get_collection('losses'))