import tensorflow as tf import numpy as np import matplotlib.pyplot as plt """ 1. shape: 矩阵维度 3*2 =================== 2. [None,1]: N行 1列 =================== 3. numpy.random.normal(loc=0.0, scale=1.0, size=None) 正态分布 loc：float 此概率分布的均值（对应着整个分布的中心centre） scale：float 此概率分布的标准差（对应于分布的宽度，scale越大越矮胖，scale越小，越瘦高） size：int or tuple of ints 输出的shape，默认为None，只输出一个值 """ xdata = np.linspace(-0.5, 0.5, 200)[:,np.newaxis] # 后面增加维度 noise = np.random.normal(0, 0.02, xdata.shape) # 加噪音，但要 保证和xdata的维度一致 ydata = np.square(xdata) + noise # y=x^2+noise # ydata=np.exp(xdata)+noise # 定义两个placeholder x = tf.placeholder(tf.float32, [None, 1]) # N行，1列 y = tf.placeholder(tf.float32, [None, 1]) # N行，1列，根据样本（x）定义 """ 输入层：x，输入就是一个个的点，那么就需要1个神经元就行 中间层：自定义 输出层：y，输出也是一个个的 点，配1个神经元 """ # 定义神经网络中间层 weight = tf.Variable(tf.random_normal([1, 10])) # 权值，连接输入层和中间层， 从正态分布中输出随机值,1（1个输入）行10（输入至中间层）列，权值放在线之上 biases = tf.Variable(tf.zeros([1, 10])) # 偏置值，初始化为0，从一个输入，到10个中间层神经元 wx_plus_b_l1 = tf.matmul(x, weight) + biases # 信号总和 weight*x+biases l1 = tf.nn.tanh(wx_plus_b_l1) # 激活函数，s形 # 定义输出层 """ 中间层的输出L1：输出层的输入 """ weight1 = tf.Variable(tf.random_normal([10, 1])) # 由中间层到y（输出），1-->10 biases1 = tf.Variable(tf.zeros([1, 1])) # 偏置值，1-->1 wx_plus_b_l2 = tf.matmul(l1, weight1) + biases1 # 输出层信号总和 predict = 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 - predict)) # 误差平均值 # 梯度下降法 train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) # with tf.Session() as ses: # 画变量 ses.run(tf.global_variables_initializer()) for _ in range(5001): ses.run(train_step, feed_dict={x: xdata, y: ydata}) # 使用梯度下降法训练, x：样本点 # 得到预测值 predict_value = ses.run(predict, feed_dict={x: xdata, y: ydata}) # 画图 plt.figure() plt.scatter(xdata, ydata) plt.plot(xdata, predict_value, 'r-', lw=5) # 红色实线,线宽line width=5 plt.show()
