本文主要分享一个利用神经网络来预测非线性回归的示例。
首先,定义生成我们的测试数据,即y_data = np.square(x_data) + noise,通过x_data的平方再加上噪声来生成y_data.
然后,利用神经网络,将x_data作为输入,得到预测值。然后让预测值与y_data做比较,使其差异最小。
x_data ==>神经网络中间层==>神经网络输出层==>预测值
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
# 使用numpy生成200个随机点,从-0.5到0.5生成200个点
x_data = np.linspace(-0.5, 0.5, 200)[:, np.newaxis]#转成二维数据
noise = np.random.normal(0, 0.02, x_data.shape)#生成随机噪声
y_data = np.square(x_data) + noise
# 定义placeholder
x = tf.placeholder(tf.float32, [None, 1])#行不确定,只有一列
y = tf.placeholder(tf.float32, [None, 1])
# 定义神经网络中间层
Weights_L1 = tf.Variable(tf.random_normal([1, 10]))#1行10列
biases_L1 = tf.Variable(tf.zeros([1, 10]))
Wx_plus_b_L1 = tf.matmul(x, Weights_L1) + biases_L1