tensorflow一元二次函数拟合

先看下要做的内容，创建一元二次函数y=x平方-0.5，其中为了更符合散点图模拟需要，在方程加噪点，以标准方差0.05行驶，如图所示

折线图

散点图

下面我们要做的，是要计算机自动拟合出该散点图的函数，画出图样，如图

下面，就通过TensorFlow来看如何做出这个样子

在TensorFlow中，首先定义

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
 
#定义隐藏层
def add_layer(inputs,in_size,out_size,activation_function=None):
    Weights=tf.Variable(tf.random_normal([in_size,out_size]))  #权值
    biases=tf.Variable(tf.zeros([1,out_size])+0.1) #偏置
    Wx_plus_b=tf.matmul(inputs,Weights)+biases  #z=wx+b
    if activation_function is None:
        outputs=Wx_plus_b
    else:
        outputs=activation_function(Wx_plus_b)
    return outputs
 
#make up some real data
x_data=np.linspace(-1,1,300)[:,np.newaxis]#加维度
noise=np.random.normal(0,0.05,x_data.shape)#加噪点，标准方差0.05
y_data=np.square(x_data)-0.5+noise    #y=square(x)-0.5+noise
 
#train_step所要输入的值
xs=tf.placeholder(tf.float32,[None,1])
ys=tf.placeholder(tf.float32,[None,1])
###建立第一,二次隐藏层layer
###add_layer(inputs,in_size,out_size,activation_function=None)
l1=add_layer(xs,1,10,activation_function=tf.nn.relu)#激励函数(activation_function)ReLU
prediction=add_layer(l1,10,1,activation_function=None)
 
#创建损失函数
loss=tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),
               reduction_indices=[1]))
train_step=tf.train.GradientDescentOptimizer(0.1).minimize(loss)#梯度下降优化器,减少误差，学习效率0.1
 
#important step
init=tf.initialize_all_variables()
sess=tf.Session()
sess.run(init)
 
#绘图部分
fig=plt.figure()
ax=fig.add_subplot(1,1,1)
ax.scatter(x_data,y_data)
plt.ion()#不暂停
plt.show()
 
#学习1000步
for i in range(1000):
    sess.run(train_step,feed_dict={xs:x_data,ys:y_data})
    if i%50==0:
        #print(sess.run(loss,feed_dict={xs:x_data,ys:y_data})) #输出误差
        try:
            ax.lines.remove(lines[0])
        except Exception:
            pass
            
        prediction_value=sess.run(prediction,feed_dict={xs:x_data})
        lines=ax.plot(x_data,prediction_value,'r',lw=5)
        plt.pause(0.1)
输出误差截图，每50次输出一次，截图如下

误差逐渐递减的截图

这样就完成了

--------------------- 
作者：QianLingjun 
来源：CSDN 
原文：https://blog.csdn.net/wsljqian/article/details/77754878 
版权声明：本文为博主原创文章，转载请附上博文链接！