炼数成金Tensorflow学习笔记之3.1_非线性回归

代码及分析

# -*- coding: utf-8 -*-
"""
Created on Sun Mar 15 09:10:07 2020

@author: 寒火qwer
"""

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

# 使用numpy生成200个随机点
# numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0)
# 返回的是 [start, stop]之间的均匀分布
# np.newaxis的作用就是在这一位置增加一个一维，这一位置指的是np.newaxis所在的位置
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])
y = tf.placeholder(tf.float32, [None, 1])

# 定义神经网络的中间层
weight_l1 = tf.Variable(tf.random_normal([1, 10]))
biases_l1 = tf.Variable(tf.zeros([1,10]))
a1 = tf.matmul(x, weight_l1) + biases_l1
l1 = tf.nn.tanh(a1)

# 定义输出层
weight_l2 = tf.Variable(tf.random_normal([10,1]))
biases_l2 = tf.Variable(tf.zeros([1,1]))
a2 = tf.matmul(l1, weight_l2) + biases_l2
predict = tf.nn.tanh(a2)

# 二次代价函数
loss = tf.reduce_mean(tf.square(y - predict))

# 使用梯度下降法训练
train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

init_op = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init_op)
    for _ in range(2000):
        sess.run(train_op, feed_dict={x:x_data, y:y_data})
        
        
    # 获得预测值
    predict_value = sess.run(predict, feed_dict={x:x_data})
    # 画图
    plt.figure()
    plt.scatter(x_data, y_data)
    plt.plot(x_data,predict_value, 'r-', lw=5)
    plt.show()

1. np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0)
   作用：返回的是 [start, stop]（或[start, stop））之间的均匀分布（至于包不包含stop取决于endpoint参数的取值。为True，这时stop就是最后的样本。为False时，不包含stop的值。）
2. np.newaxis的作用就是在这一位置增加一个一维，这一位置指的是np.newaxis所在的位置
3. np.random.normal(loc=0.0, scale=1.0, size=None)
   作用：生成高斯分布的概率密度随机数
   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
4. tf.nn.tanh(x, name=None)
5. 作用：tanh激活函数
   
6. plt.figure((num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None, frameon=True)
   作用：创建自定义画板
   num:图像编号或名称，数字为编号 ，字符串为名称
   figsize:指定figure的宽和高，单位为英寸；
   dpi参数指定绘图对象的分辨率，即每英寸多少个像素，缺省值为80
   facecolor:背景颜色
   edgecolor:边框颜色
   frameon:是否显示边框
7. plt.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=None, edgecolors=None, hold=None, data=None, **kwargs)
   作用：绘制散点图
   x，y：array_like，shape（n，），输入数据
8. plt.plot(x,y,format_string,**kwargs)
   作用：绘制折线图
9. plt.show()
   作用：显示图像