tensorflow学习笔记（三）：利用BP线性回归

---

---

1、问题描述

简单的拟合曲线$y=\sqrt{x}$，要求：随机生成200个样本点，其范围为[-0.5,0.5]，然后加上随机噪声，利用2层BP网络拟合出曲线。

2、项目实践

代码：

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

#使用numpy来生成200个随机点
x_data=np.linspace(-0.5,0.5,200)[:,np.newaxis]   #生成200个点，然后把维度设置成200*1的维度,[:,np.newaxis]的作用是增加一维信息
noise=np.random.normal(0,0.02,x_data.shape)
y_data=np.square(x_data)+noise

#定义两个placeholder
x=tf.placeholder(tf.float32,[None,1])
y=tf.placeholder(tf.float32,[None,1])

#定义网络中间层
Weight_L1=tf.Variable(tf.random_normal([1,10]))  #随机生成1*10的数据
biasee_L1=tf.Variable(tf.zeros([1,10]))
Wx_plus_b_L1=tf.matmul(x,Weight_L1)+biasee_L1
L1=tf.nn.tanh(Wx_plus_b_L1)   #双曲正切函数为激活函数

#定义输出层
Weight_L2=tf.Variable(tf.random_normal([10,1]))
biasee_L2=tf.Variable(tf.zeros([1,1]))
Wx_plu_b_L2=tf.matmul(L1,Weight_L2)+biasee_L2
prediction=tf.nn.tanh(Wx_plu_b_L2)

#二次代价函数
loss=tf.reduce_mean(tf.square(y-prediction))
#使用梯度下降法
train_step=tf.train.GradientDescentOptimizer(0.1).minimize(loss)

with tf.Session() as sess:
    # 变量的初始化
    sess.run(tf.global_variables_initializer())
    #训练2000次
    for _ in range(2000):
        sess.run(train_step,feed_dict={x:x_data,y:y_data})

    #获得预测值
    prediction_value=sess.run(prediction,feed_dict={x:x_data})
    #画图
    plt.figure()
    plt.scatter(x_data,y_data)
    plt.plot(x_data,prediction_value,'r-',lw=5)
    plt.show()
    

结果：