Tensorflow中前向传播算法

神经网络的前向传播算法主要构成部分：

      1.神经网络的输入；

      2.神经网络的连接结构；

      3.每个神经元中的参数。

                 为剪切图，为表示前向传播过程

由输入层的取值推导隐藏层取值，再由隐藏层取值推导输出层取值。
通过矩阵乘法计算前向传播算法：
输入层为1*2的矩阵x=[x1,x2]  ，而输入层和隐藏层的连接权值W为一个2*3的矩阵：w=[w1,w2,w3,w4,w5,w6];

则通过矩阵乘法得到隐藏层中三个节点所组成的向量取值：a=[x1*w1+x2*w4,x1*w2+x2*w5,x1*w3+x2*w6]

再通过前向传播算法得出输出层：隐藏层和输出层间连接的权值用3*1矩阵s=[s1,

                                                                                                                                        s2,

                                                                                                                                         s3]表示（为便于区分）；

则由a*s得到输出层：[y]=[(x1*w1+x2*w4)*s1+(x1*w2+x2*w5)*s2+(x1*w3+x2*w6)*s3]

用tensorflow程序实现则用到tf.matmul()函数，表示为：

a=tf.matmul(x,w)

y=tf.matmul(a,s)

其中，tf.matmul()函数实现了矩阵乘法的功能。