tensorflow 非线性回归

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


#线性回归
#使用numpy生成200个随机点 变成200行1列
x_data=np.linspace(-0.5,0.5,200)[:,np.newaxis]
#生成一些干扰项
noise=np.random.normal(0,0.2,x_data.shape)
y_data=np.square(x_data)*noise


#定义样本
#行不确定，但是只有一列
x=tf.placeholder(tf.float32,[None,1])
y=tf.placeholder(tf.float32,[None,1])

#构建简单的神经网络的中间层 1个输入神经元  10个中间神经元
Weight_l1=tf.Variable(tf.random_normal([1,10]))
baise_l1 = tf.Variable(tf.zeros([1,10]))
#matmul矩阵的乘法
Wx_plus_b_11=tf.matmul(x,Weight_l1)+baise_l1
l1=tf.nn.tanh(Wx_plus_b_11)

#定义输出层  中间层10个神经元 输出层1个神经元
Weight_12=tf.Variable(tf.random_normal([10,1]))
biase_12=tf.Variable(tf.zeros([1,1]))
Wx_plus_b_12=tf.matmul(l1,Weight_12)+biase_12
prediction=tf.nn.tanh(Wx_plus_b_12)

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

#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})

    #获得预测值
    predict_value=sess.run(prediction,feed_dict={x:x_data})
    #画图
    plt.figure()
    plt.scatter(x_data,y_data)
    # r-代表是红色的实线   lw 代表线宽为5
    plt.plot(x_data,predict_value,'r-',lw=5)
    plt.show()