Tensorflow学习：非线性回归（神经网络）

Tensorflow学习：非线性回归（神经网络）

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

# 使用numpy生成200个随机点（训练样本）：-0.5-0.5平均分布的点：增加一个维度，200行1列
x_data = np.linspace(-0.5, 0.5, 200)[:, np.newaxis]
# 生成一些噪音
noise = np.random.normal(0, 0.02, x_data.shape)
# 大致是一个二次函数U的形态
y_data = np.square(x_data) + noise

# 定义两个placeholder
# 行不确定，列为1列:根据样本来定义
x = tf.placeholder(tf.float32, [None, 1])
y = tf.placeholder(tf.float32, [None, 1])

# 构建一个神经网络：输入层1个神经元，隐层10个神经元，输出层1个神经元
# 定义神经网络的隐层:1（输入层1个神经元）行10（隐层10个神经元）列
Weigths_L1 = tf.Variable(tf.random_normal([1, 10]))
# 偏向值初始化为0:1（输入层1个神经元）行10（隐层10个神经元）列
biases_L1 = tf.Variable(tf.zeros([1, 10]))
# 得到信号的总和：矩阵的乘法
Wx_plus_b_L1 = tf.matmul(x, Weigths_L1) + biases_L1
# 隐层的输出（输出层不算）:tanh作为隐层的激活函数
L1 = tf.nn.tanh(Wx_plus_b_L1)
# 定义神经网络的输出层
Weigths_L2 = tf.Variable(tf.random_normal([10, 1]))
biases_L2 = tf.Variable(tf.zeros([1, 1]))
# 输出层信号的总和
Wx_plus_b_L2 = tf.matmul(L1, Weigths_L2) + biases_L2
# 最后输出的结果
prediction = tf.nn.tanh(Wx_plus_b_L2)

# 二次代价函数
loss = tf.reduce_mean(tf.square(y - prediction))
# 使用梯度下降的算法进行优化:学习率：0.1,最小化loss的值
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

# 定义会话
with tf.Session() as sess:
    # 变量的初始化
    sess.run(tf.global_variables_initializer())
    # 迭代次数：训练次数
    for step in range(2000):
        # 训练的时候需要给其传入一些值：使用placeholder
        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()
    # 把样本点打印出来
    plt.scatter(x_data, y_data)
    plt.plot(x_data, prediction_value, 'r-', lw=5)
    plt.show()