Tensorflow-非线性回归

import tensorflow as tf import numpy as np import matplotlib.pyplot as plt #生成(-0.5,0.5)之间均匀的200个点,[]使得为二维数据，200行1列 x_data=np.linspace(-0.5,0.5,200)[:,np.newaxis] #生成随机值噪音，维度为和x_data一样 noise=np.random.normal(0,0.02,x_data.shape) #大体U型 y_data=np.square(x_data)+noise #定义两个placeholder,[None,1]:行不确定，1列 x=tf.placeholder(tf.float32,[None,1]) y=tf.placeholder(tf.float32,[None,1]) #构建神经网络：输入层一个神经元，中间层10个神经元，输出层1个神经元 #定义神经网络中间层 #权值随机数赋值[1,10]:一行10列 Weights_L1=tf.Variable(tf.random_normal([1,10])) #偏执值初始化为0 biases_L1=tf.Variable(tf.zeros([1,10])) Wx_plus_b_L1=tf.matmul(x,Weights_L1)+biases_L1 #激活函数,作为中间层的输出，同时作为输出层的输入 L1=tf.nn.tanh(Wx_plus_b_L1) #定义神经网络输出层 Weights_L2=tf.Variable(tf.random_normal([10,1])) #偏执值初始化为0 biases_L2=tf.Variable(tf.zeros([1,1])) Wx_plus_b_L2=tf.matmul(L1,Weights_L2)+biases_L2 prediction=tf.nn.tanh(Wx_plus_b_L2) #构建代价函数(损失函数) loss=tf.reduce_mean(tf.square(y-prediction)) #使用梯度下降法 学习率：0.1 train_step=tf.train.GradientDescentOptimizer(0.1).minimize(loss) with tf.Session() as sess: sess.run(tf.global_variables_initializer()) for _ in range(2000): #使用样本点x_data、y_data训练2000次，确定各层权重参数及偏置值 sess.run(train_step,feed_dict={x:x_data,y:y_data}) #获得预测值，将x_data传入并获得预测值prediction_value prediction_value=sess.run(prediction,feed_dict={x:x_data}) #画图查看预测结果 plt.figure() #散点图打印样本点 plt.scatter(x_data,y_data) #打印x_data及对应预测值 plt.plot(x_data,prediction_value,'r-',lw=5) plt.show()

运行结果如下：