TensorFlow学习（4） 非线性回归

1.核心代码

这个程序为简单的三层结构组成：输入层、中间层、输出层

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

# 使用numpy生成200个随机点
# 从-0.5到0.5范围均匀取200个点
# np.newaxis增加维度
# 最终成为200*1的数据
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

# 定义两个placeholder
x = tf.placeholder(tf.float32, [None, 1])#行不确定，1列，即矩阵形式： n*1
y = tf.placeholder(tf.float32, [None, 1])#行不确定，1列，即矩阵形式： n*1

# 定义神经网络中间层

#1是输入的数据，10是输出的数据，中间层是10个神经元
Weights_L1 = tf.Variable(tf.random_normal([1, 10]))
print('Weights_L1')
print(Weights_L1)
#偏置值初始为0填充
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
#输入10个数据，输出1个数据
Weights_L2 = tf.Variable(tf.random_normal([10, 1]))
print('Weights_L2')
print(Weights_L2)
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))
# 使用梯度下降法训练
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})#以字典的形式，输入数据

    # 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)#打印样本点 散点图形式
    plt.plot(x_data, prediction_value, 'r-', lw=5)#查看预测的结果，横坐标x_data,纵坐标prediction_value,'r-'代表是实线，lw为线宽度
    plt.show()

2.API分析

3.结果展示