import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
# 使用numpy.linspace随机生成200个点,置于(-0.5,0.5)之间,(:,numpy.newaxis) 使之成为200行1列的二维数据
# numpy.newaxis从字面上来理解就是用来创建新轴的,或者说是用来对array进行维度扩展的,可看作None
x_data = np.linspace(-0.5,0.5,200)[:,np.newaxis]
noise = np.random.normal(0,0.02,x_data.shape) # 生成一些干扰项
y_data = np.square(x_data) + noise
# 定义两个placeholder,根据样本来定义
x = tf.placeholder(tf.float32,[None,1]) #行不知道(batch),列为:1
y = tf.placeholder(tf.float32,[None,1]) #行不知道(batch),列为:1
# 输入一个点,用神经网络预测一个prediction ,我们希望这个prediction 与真实值y要接近
# 输入层只有一个点(一个神经元),中间层定义 10个神经元,输出层也是一个点(一个神经元)
# 定义神经网络的中间层
Weights_L1 = tf.Variable(tf.random_normal([1,10])) #定义一个一行10列的变量,随机初始化(1代表输入,10代表中间层的神经元)
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)
# 定义输出层(一个神经元)
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 #输出层的输入是上一层的输出
prediction = tf.nn.tanh(Wx_plus_b_L2)
# 定义代价函数
loss = tf.reduce_mean(tf.square(y - prediction )) # 真实值减去预测值的平方再求平均(均方差)
# 使用梯度下降法优化
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
# 定义会话开始训练
with tf.Session() as sess:
# 只要使用到了变量就要初始化
sess.run(tf.global_variables_initializer())
# 训练2000次(在会话中使用梯度下降法来训练)
for _ in range(2000):
sess.run(train_step, feed_dict={x:x_data,y:y_data}) #训练的时候要传入值
# 获得预测值(预测阶段)
prediction_value = sess.run(prediction,feed_dict={x:x_data,y:y_data})
# 画图
plt.figure()
plt.scatter(x_data, y_data)
plt.plot(x_data,predoction_value,'r-',lw=5)
plt.show()
补充:numpy.random.normal()与tf.random_normal()的区别
numpy.random.normal(
loc=0.0,
scale=1.0,
size=None
)
参数的意义为:
loc:float
此概率分布的均值(对应着整个分布的中心centre)
scale:float
此概率分布的标准差(对应于分布的宽度,scale越大越矮胖,scale越小,越瘦高)
size:int or tuple of ints
输出的shape,默认为None,只输出一个值
np.random.randn(size)所谓标准正态分布(μ=0,σ=1μ=0,σ=1),对应于np.random.normal(loc=0, scale=1, size)。
tf.random_normal()
tf.random_normal()函数用于从服从指定正太分布的数值中取出指定个数的值。
tf.random.normal(
shape,
mean=0.0,
stddev=1.0,
dtype=tf.dtypes.float32,
seed=None,
name=None
)
参数的意义为:
shape: 输出张量的形状,必选
mean: 正态分布的均值,默认为0
stddev:正态分布的标准差,默认为1.0
dtype:输出的类型,默认为tf.float32
seed:随机数种子,是一个整数,当设置之后,每次生成的随机数都一样
name: 操作的名称
返回值:A tensor of the specified shape filled with random normal values.