TensorFlow - 第一个TF程序

    参考：

《TensorFlow技术解析与实战》

http://blog.csdn.net/qq_16949707/article/details/53126707?locationNum=3&fps=1

    我们使用第一个Tensorflow程序类似于HelloWord，用来测试安装环境，同时也可以使同学们直观的感受一下Tensorflow的魅力：我们构造一个满足一元二次函数 y = ax2 + b 的原始数据，然后构建一个最简单的神经网络，仅包含一个输入层，一个隐藏层和一个输出层，通过Tensorflow将将隐藏层和输出层的weitghts和biases的值学习出来，看看随着训练次数的增加，损失值是不是不断减少。

# -*- coding:utf-8 -*-

import tensorflow as tf
import numpy as np

#构造满足一元二次方程的函数
#构建300个点，分布在-1～+1区间，直接采用np生成等差数列，并且将一维转换成300*1的二维
x_data = np.linspace(-1, 1, 300)[:, np.newaxis]
#print(x_data)

#加入一些噪声,均值为0，方差为0.05
noise = np.random.normal(0, 0.05, x_data.shape)
#print(noise)

#y = 2*x^2 - 0.5
y_data = 2 * np.square(x_data) - 0.5 + noise

#定义x和y的占位符来作为将要输入神经网络的变量
xs = tf.placeholder(tf.float32, [None, 1])
ys = tf.placeholder(tf.float32, [None, 1])

#定义添加层的函数
def add_layer(inputs, in_size, out_size, activation_function=None):
    #构架权重
    weights = tf.Variable(tf.random_normal([in_size, out_size]))
    #构建偏置
    biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)
    #矩阵乘积
    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

#构造隐藏层
h1 = add_layer(xs, 1, 20, activation_function=tf.nn.relu)

#构造输出层
prediction = add_layer(h1, 20, 1, activation_function=None)

#计算预测值和真实值之间的误差
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction), reduction_indices=[1]))

#梯度下降
train_step = tf.train.GradientDescentOptimizer(0.05).minimize(loss)

#训练并输出
init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)

#训练10000次
for i in range(1000000):
    sess.run(train_step, feed_dict={xs: x_data, ys: y_data})
    if i % 20000 == 0:
        print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))

print("Finish!")

代码的功能解释都在Python得 注释中。

###################################################################################
拟合未知曲线：

import numpy as np
x = np.random.rand(100).astype(np.float32)
y = 3*x*x+1

import matplotlib.pyplot as plt
plt.plot(x,y,'ro')
plt.legend()
plt.show()

import tensorflow as tf
w1 = tf.Variable(tf.random_uniform([1],-1.0,1.0))
w2 = tf.Variable(tf.random_uniform([1],-1.0,1.0))
w3 = tf.Variable(tf.random_uniform([1],-1.0,1.0))
b = tf.Variable(tf.zeros([1]))
y_ = w1*x+w2*x*x+w3*x*x*x+b
loss = tf.reduce_mean(tf.square(y - y_))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)
init = tf.initialize_all_variables()

sess = tf.Session()
sess.run(init)
for step in xrange(100):
   sess.run(train)
print step, sess.run(w1),sess.run(w2),sess.run(w3),sess.run(b)


plt.plot(x,y,'ro')
y__ = sess.run(w1)*x+sess.run(w2)*x*x+sess.run(w3)*x*x*x+sess.run(b)
plt.plot(x,y__)
# plt.plot(x,0.37588856*x+2.09157467*x*x+0.59096539*x*x*x+0.9672721)
plt.legend()
plt.show()