TensorFlow1.0系统学习（二）————线性回归、非线性回归

一、线性回归

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
#使用numpy生成100个随机点
x_data = np.random.rand(100)
y_data = x_data*0.1 + 0.2  #真实值

#构建一个线性模型
b = tf.Variable(0.)
k = tf.Variable(0.)
y = k*x_data + b    #预测值

#定义一个二次代价函数
loss = tf.reduce_mean(tf.square(y_data - y))
#定义一个梯度下降法来进行训练的优化器
optimizer = tf.train.GradientDescentOptimizer(0.2)

#最小化代价函数
train = optimizer.minimize(loss)

init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    for step in range(201):
        sess.run(train)
        if step%20 == 0:
            print('当前步数：%s, k = %f ,b = %f' % (step, sess.run(k), sess.run(b)))

    prediction_value = sess.run(y)

    #画图
    plt.figure()
    plt.scatter(x_data, y_data)
    plt.plot(x_data, prediction_value, 'r-', lw=1)
    plt.show()

二、非线性回归

首先使用numpy生成200个随机点

x_data = np.linspace(-0.5, 0.5, 200)
print(x_data.shape)

输出：这样只有一个维度

（200，）

生成2维数组

x_data = np.linspace(-0.5, 0.5, 200)[:, np.newaxis]
print(x_data.shape)

输出：

（200， 1）

完整代码：

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, 200)[:, np.newaxis]  #200行1列
noise = np.random.normal(0, 0.02, x_data.shape) #创建干扰信号
y_data = np.square(x_data) + noise #样本真是值

#定义两个placeholder
x = tf.placeholder(tf.float32, [None, 1])
y = tf.placeholder(tf.float32, [None, 1])

#定义一神经网络中间层
Weights_L1 = tf.Variable(tf.random_normal([1, 10]))
biases_L1 = tf.Variable(tf.zeros([1, 10]))
Wx_plus_b_L1 = tf.matmul(x, Weights_L1) + biases_L1
L1 = tf.nn.tanh(Wx_plus_b_L1)

#定义神经网络输出层
Weights_L2 = tf.Variable(tf.random.normal([10, 1]))
biases_L2 = tf.Variable(tf.zeros([1, 1]))
Wx_plus_b_L2 = tf.matmul(L1, Weights_L2) + biases_L2
prediction = tf.nn.tanh(Wx_plus_b_L2)

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

with tf.Session() as  sess:
    #变量初始化
    sess.run(tf.global_variables_initializer())
    for _ in range(2000):
        sess.run(train_step, feed_dict={x:x_data, y:y_data})

    #获取预测值
    prediction_value = sess.run(prediction, feed_dict={x:x_data})

    #画图
    plt.figure()
    plt.scatter(x_data, y_data)
    plt.plot(x_data, prediction_value, 'r-', lw=5)
    plt.show()

得出：