tensorflow学习 （二）

建立非线性回归模型：

#coding=utf-8
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
#产生200个随机点
x_data=np.linspace(-0.5,0.5,200)[:,np.newaxis]  #均匀分布产生【-0.5，0.5】之间的数字，并增加新的维度.在默认情况下linspace函数生成元素为50 的等间隔数列
#print x_data.shape   #200*1
#print x_data
noise=np.random.normal(0,0.02,x_data.shape)
#print noise
y_data=np.square(x_data)+noise

#定义两个占位符
x=tf.placeholder(tf.float32,[None,1])
y=tf.placeholder(tf.float32,[None,1])

#定义神经网络中间层
Weight_L1=tf.Variable(tf.random_normal([1,10]))
biases_L1=tf.Variable(tf.zeros([1,10]))
Wx_plus_b_L1=tf.matmul(x,Weight_L1)+biases_L1
L1=tf.nn.tanh(Wx_plus_b_L1)


#定义神经网络输出层
Weight_L2=tf.Variable(tf.random_normal([10,1]))
biases_L2=tf.Variable(tf.zeros([1,1]))
Wx_plus_b_L2=tf.matmul(L1,Weight_L2)+biases_L2
prediction=tf.nn.tanh(Wx_plus_b_L2)

#二次代价函数
loss=tf.reduce_mean(tf.square(y-prediction))
#使用梯度下降
train_step=tf.train.GradientDescentOptimizer(0.1).minimize(loss)

init=tf.initialize_all_variables()
with tf.Session() as sess:
    sess.run(init)
    for _ in range(2001):  #迭代2000次
        sess.run(train_step,feed_dict={x:x_data,y:y_data})
    #获得预测值
    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=4)
    plt.show()

结果图：