5Tensorflow非线性回归

import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
 
#使用numpy生成200个随机点，在（-0.5-0.5）之间均匀生成仅仅是一维数据，[:,np.newaxis]加一个维度变成二维数据
x_data=np.linspace(-0.5,0.5,200)[:,np.newaxis]#x_data为200行1列的数据
noise=np.random.normal(0,0.02,x_data.shape)#生成干扰项就是一些随机值，x_data.shape规定形状和x_data相同
y_data=np.square(x_data)+noise#x_data平方加随机值，图像大致为一个开口向上的抛物线，由于干扰项存在点分布较为混乱
 
#定义两个placeholder（占位符，feed中讲过）
x=tf.placeholder(tf.float32,[None,1])#tf.float32浮点型，[None,1]行数不确定1列 ，根据样本定义
y=tf.placeholder(tf.float32,[None,1])
 
#构建简单的神经网络，定义一个x通过神经网络计算得到y，则y为预测值，期望预测的y同真实值更接近
#输入层：一个点，因此为一个神经元
#中间层：可以调整，下面使用10个神经元作为输出层
#输出层：一个点，一个神经元

#定义神经网络中间层
#权值tensorflow中的一个变量（连接输入层和中间层），因此初始为1行10列的随机数矩阵。输入层1个神经元，中间层10个神经元，因此[1,10]
Weights_L1=tf.Variable(tf.random_normal([1,10]))
#偏置值，初始为1行10列的全0矩阵
biases_L1=tf.Variable(tf.zeros([1,10]))
#输入x（一个矩阵），权值也是矩阵，矩阵乘法
Wx_plus_b_L1=tf.matmul(x,Weights_L1)+biases_L1
#L1为中间层的输出，使用tanh激活函数
L1=tf.nn.tanh(Wx_plus_b_L1)
 
#定义神经网络输出层（类似中间层定义，）
Weights_L2=tf.Variable(tf.random_normal([10,1]))#中间层10个神经元，输出层1个神经元
biases_L2=tf.Variable(tf.zeros([1,1]))#输出层一个神经元，因此只有一个偏置值
Wx_plus_b_L2=tf.matmul(L1,Weights_L2)+biases_L2#输入中间层L1
prediction=tf.nn.tanh(Wx_plus_b_L2)#经过激活函数得到预测值
 
#二次代价函数loss
loss=tf.reduce_mean(tf.square(y-prediction))
#使用梯度下降法训练，学习率（步长）0.1并最小化loss
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())
    #开始训练，训练2000次，使用梯度下降法训练train_step最小化loss值，通过 placeholder传入样本，x传入x_data,y传入y_data
    for _ in range(2000):
        sess.run(train_step,feed_dict={x:x_data,y:y_data})
 
    #获取预测值，传入x的到预测结果
    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
    plt.plot(x_data,prediction_value,'r-',lw=5)#使用红色实线绘制预测值
    plt.show()

该系列基础实例参考视频