Tensorflow神经网络框架（第三课 3-1Tensorflow简单实例非线性回归梯度下降法）

阅读量：4298 次

发布时间：2019-05-27

本文共 1358 字，大约阅读时间需要 4 分钟。

3-1非线性回归Last Checkpoint: 上星期五16:01(unsaved changes)

Logout

           In [1]: 

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

           In [2]: 

#使用numpy生成200个随机点
x_data = np.linspace(-0.5,0.5,200)[:,np.newaxis]
noise = np.random.normal(0,0.02,x_data.shape)#生成随机噪声
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])
​
#定义神经网络中间层
Weights_L1 = tf.Variable(tf.random_normal([1,10]))
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) #中间层的输出
​
#定义神经网络输出层
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
prediction = tf.nn.tanh(Wx_plus_b_L2) #预测的结果
​
#二次代价函数
loss = tf.reduce_mean(tf.square(y - prediction)) #真实值 - 预测值  平方
#使用梯度下降法
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
​
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
for _ in range(2000):
sess.run(train_step,feed_dict={
                  x:x_data,y:y_data})
#获取预测值
prediction_value = sess.run(prediction,feed_dict={
                  x:x_data})
#画图
plt.figure()
plt.scatter(x_data,y_data)
plt.plot(x_data,prediction_value,'r-',lw=5)
plt.show()