[toc]
线性回归
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
#使用numpy生成200个的随机点
x_data=np.linspace(-0.5,0.5,200)[:,np.newaxis] #增加了一个维度,即200行1列
noise=np.random.normal(0,0.02,x_data.shape) #正态分布
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,样本从这输入,None按需取值,这里取200
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])) #1行10列,连接输入层和中间层,因为输入层1个神经元,中间层10个神经元
#random_normal:从正态分布中输出随机值
biases_L1=tf.Variable(tf.zeros([1,10])) #偏置值
Wx_plus_b_L1=tf.matmul(x,Weights_L1)+biases_L1 #matmul矩阵乘法
L1=tf.nn.tanh(Wx_plus_b_L1) #双曲正切作为激活函数
#定义输出层
Weights_L2=tf.Variable(tf.random.normal([10,1])) #输出层1个神经元
biases_L2=tf.Variable(tf.zeros([1,1])) #因为只有1个神经元,所以只有1个偏置值
Wx_plus_b_L2=tf.matmul(L1,Weights_L2)+biases_L2 #L1是因为输出层的输入相当于中间层的输出
prediction=tf.nn.tanh(Wx_plus_b_L2)
#二次代价函数
loss=tf.reduce_mean(tf.square(y-prediction)) #真实-预测
#用梯度下降法训练
train_step=tf.train.GradientDescentOptimizer(0.1).minimize(loss)
#定义会话
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})
#获得预测值
prediction_value=sess.run(prediction,feed_dict={x:x_data})
#画图
plt.figure()
plt.scatter(x_data,y_data) #散点图
plt.plot(x_data,prediction_value,'r-',lw=5)
plt.show()