tensorflow基础知识3，回归例子

1、线性回归例子

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

#使用numpy生成200个随机点
x_data=np.linspace(-0.5,0.5,2000)[:,np.newaxis]#在-0.5到0.5之间生成200个随机数,[]里是增加一个维度，200行1列
noise=np.random.normal(0,0.2,x_data.shape)#干扰项，从正态分布中输出随机值，shape是查看矩阵或者数组的维数，生成与x_data数组一样的形状
y_data=np.square(x_data)+noise#得到一个U形图像

#定义两个placeholder占位符
x=tf.placeholder(tf.float32,[None,1])#行不确定，列是1
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]))#权值，定义一个随机变量，随机赋值，形状是1行10列,权值是连接输入层和中间层，输入层是1个神经元，中间层是10个神经元
biases_L1=tf.Variable(tf.zeros([1,10]))#偏置值，初始化为0，注意zero函数的用途
Wx_plus_b_L1=tf.matmul(x,Weights_L1)+biases_L1#matmul是矩阵相乘，中间层信号的总和
L1=tf.nn.tanh(Wx_plus_b_L1)#L1相当于中间层的输出，双曲正切函数tanh作为激活函数.激活函数可以使输出一定非线性函数
#tf.nn ：提供神经网络相关操作的支持，包括卷积操作（conv）、池化操作（pooling）