【TensorFlow】3-1构建简单神经网络进行【线性回归】

1.使用numpy生成(-0.5,0.5)范围内，均匀的200个随机点，并在列上增加1维（将点转变成二维矩阵），生成含有正太分布噪声的二次函数分布的散点。

 【newaxis用法参考】

import numpy as np
import matplotlib.pyplot as plt
#使用numpy生成(-0.5,0.5)范围内，均匀的200个随机点，是一维数据
x_data=np.linspace(-0.5,0.5,200)
print  (x_data.shape)
#使用numpy生成(-0.5,0.5)范围内，均匀的200个随机点，并在列上增加1维，
x_data=np.linspace(-0.5,0.5,200)[:,np.newaxis]
noise=np.random.normal(0,0.02,x_data.shape)
y_data=np.square(x_data)+noise
print  (x_data.shape)
#绘制出当前图像
plt.figure()
plt.scatter(x_data,y_data)
plt.show()

2.定义2层神经网络，分别为10个神经元和1个神经元，对上边的200个点线性回归。

输入：x_data  [200,1]     Weight_L1  [1,10],    biases_L1 [1,10]   Weight_L2  [10,1],    biases_L2 [1,1]   

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

#使用numpy生成(-0.5,0.5)范围内，均匀的200个随机点，是一维数据
x_data=np.linspace(-0.5,0.5,200)
print  (x_data.shape)
#使用numpy生成(-0.5,0.5)范围内，均匀的200个随机点，并在列上增加1维，
x_data=np.linspace(-0.5,0.5,200)[:,np.newaxis]
noise=np.random.normal(0,0.02,x_data.shape)
y_data=np.square(x_data)+noise
print  (x_data.shape)


#定义输入数据为占位符号,大小为，行不限，1列
x= tf.placeholder(tf.float32,[None,1])
y= tf.placeholder(tf.float32,[None,1])

#定义第一层神经网络的参数，10个节点，一定注意每个参数的大小，有点难理解
Weights_L1=tf.Variable(tf.random_normal([1,10]))
Bias_L1=tf.Variable(tf.zeros([1,10]))
y1=tf.matmul(x,Weights_L1)+Bias_L1
L1=tf.nn.tanh(y1)

#定义第二层输出，一个神经元
Weights_L2=tf.Variable(tf.random_normal([10,1]))
Bias_L2=tf.Variable(tf.zeros([1,1]))
y2=tf.matmul(L1,Weights_L2)+Bias_L2
out=tf.nn.tanh(y2)

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


#对神经网络就行训练与迭代
with  tf.Session()  as sess:
    sess.run(tf.global_variables_initializer())
    for  n  in range(3000):
        sess.run(train_step,feed_dict={x:x_data,y:y_data})
        if(n%100==0):
            print('train:',n)
    #获得训练后的预测值
    predect=sess.run(out,feed_dict={x:x_data})

#绘制出当前图像
plt.figure()
plt.scatter(x_data,y_data)
plt.plot(x_data,predect,'r-',lw=5)
plt.show()

【神经网络基础讲解视频，代码版，by覃秉丰】