python卷积神经网络回归预测_Tensorflow实现神经网络拟合线性回归

本文实例为大家分享了Tensorflow实现神经网络拟合线性回归的具体代码，供大家参考，具体内容如下

一、利用简单的一层神经网络拟合一个函数 y = x^2 ，其中加入部分噪声作为偏置值防止拟合曲线过拟合

import tensorflow as tf

import numpy as np

import matplotlib.pyplot as plt

# 生成-0.5到0.5间均匀发布的200个点，将数据变为二维，200行一列的数据

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

# 生成一些噪音数据

noise = np.random.normal(0, 0.02, x_data.shape)

# 定义y与x的关系

y_data = np.square(x_data) + noise

# 定义两个占位符

x = tf.placeholder(tf.float32, [None, 1]) # 形状为n行1列，同x_data的shape

y = tf.placeholder(tf.float32, [None, 1])

# 定义神经网络

# 定义中间层，因为每个x是一维，所以只需1个神经元，定义中间层的连接神经元是10

# 矩阵：[a, b]×[b, c] = [a, c]

L1_weights = tf.Variable(tf.random_normal([1, 10]))

L1_bias = tf.Variable(tf.zeros([1, 10]))

L1_weights_bias = tf.matmul(x, L1_weights) + L1_bias

L1 = tf.nn.tanh(L1_weights_bias)

# 定义输出层，每个x只有一个神经元

L2_weights = tf.Variable(tf.random_normal([10, 1]))

L2_bias = tf.Variable(tf.zeros([1, 1]))

L2_weights_bias = tf.matmul(L1, L2_weights) + L2_bias

L2 = tf.nn.tanh(L2_weights_bias)

# 定义损失函数

loss = tf.reduce_mean(tf.square(y - L2))

# 梯度下降最小化损失函数

optimizer = tf.train.GradientDescentOptimizer(0.1)

train_step = optimizer.minimize(loss)

# 全局变量初始化

init = tf.global_variables_initializer()

# 定义会话

with tf.Session() as sess:

sess.run(init)

for _ in range(2000):

sess.run(train_step, feed_dict={x:x_data, y:y_data})

# 获取预测值

predict = sess.run(L2, feed_dict={x:x_data})

# 画图

plt.figure()

# 画出散点

plt.scatter(x_data, y_data)

# 画出拟合的曲线

plt.plot(x_data, predict)

plt.show()

二、代码运行效果如下：

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。