tensorflow(二)：實現迴歸模型

一、非線性迴歸

    這個程序爲簡單的三層結構組成：輸入層、中間層、輸出層。

   變量x爲N行1列，N 不確定。

   中間層W1行10列，即10個神經元。x與w的成積爲N行10列。

   輸出爲N行10列乘以10行一列等於N行一列。

    

import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
 
#使用numpy生成200個隨機點
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
 
#定義兩個placeholder
x=tf.placeholder(tf.float32,[None,1])
y=tf.placeholder(tf.float32,[None,1])
 
#定義神經網絡中間層
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)
 
#定義神經網絡輸出層
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)
 
#二次代價函數
loss=tf.reduce_mean(tf.square(y-prediction))
#使用梯度下降法訓練
train_step=tf.train.GradientDescentOptimizer(0.1).minimize(loss)
 
with tf.Session() as sess:
    #變量初始化
    sess.run(tf.global_variables_initializer())
    for _ in range(2000):
        sess.run(train_step,feed_dict={x:x_data,y:y_data})
 
    #獲取預測值
    prediction_value=sess.run(prediction,feed_dict={x:x_data})
    #畫圖
    plt.figure()
    plt.scatter(x_data,y_data)
    plt.plot(x_data,prediction_value,'r-',lw=5)
    plt.show()

二、結果