Tensorflow实现神经网络拟合线性回归

本文实例为大家分享了Tensorflow实现神经网络拟合线性回归的具体代码，供大家参考，具体内容如下

一、利用简单的一层神经网络拟合一个函数 y = x^2 ，其中加入部分噪声作为偏置值防止拟合曲线过拟合

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

# 生成-0.5到0.5间均匀发布的200个点，将数据变为二维，200行一列的数据
x_data = np.linspace(-0.5, 0.5, 200)[:, np.newaxis]

# 生成一些噪音数据
noise = np.random.normal(0, 0.02, x_data.shape)

# 定义y与x的关系
y_data = np.square(x_data) + noise

# 定义两个占位符
x = tf.placeholder(tf.float32, [None, 1]) # 形状为n行1列，同x_data的shape
y = tf.placeholder(tf.float32, [None, 1])

# 定义神经网络

# 定义中间层，因为每个x是一维，所以只需1个神经元，定义中间层的连接神经元是10
# 矩阵：[a, b]×[b, c] = [a, c]
L1_weights = tf.Variable(tf.random_normal([1, 10]))
L1_bias = tf.Variable(tf.zeros([1, 10]))
L1_weights_bias = tf.matmul(x, L1_weights) + L1_bias
L1 = tf.nn.tanh(L1_weights_bias)

# 定义输出层，每个x只有一个神经元
L2_weights = tf.Variable(tf.random_normal([10, 1]))
L2_bias = tf.Variable(tf.zeros([1, 1]))
L2_weights_bias = tf.matmul(L1, L2_weights) + L2_bias
L2 = tf.nn.tanh(L2_weights_bias)

# 定义损失函数
loss = tf.reduce_mean(tf.square(y - L2))

# 梯度下降最小化损失函数
optimizer = tf.train.GradientDescentOptimizer(0.1)

train_step = optimizer.minimize(loss)

# 全局变量初始化
init = tf.global_variables_initializer()

# 定义会话
with tf.Session() as sess:
sess.run(init)
for _ in range(2000):
sess.run(train_step, feed_dict={x:x_data, y:y_data})

# 获取预测值
predict = sess.run(L2, feed_dict={x:x_data})

# 画图
plt.figure()
# 画出散点
plt.scatter(x_data, y_data)
# 画出拟合的曲线
plt.plot(x_data, predict)

plt.show()

二、代码运行效果如下：

以上就是本文的全部内容，希望对大家的学习有所帮助

您可能感兴趣的文章:

• 使用TensorFlow实现简单线性回归模型
• 使用tensorflow实现线性回归
• Tensorflow使用支持向量机拟合线性回归
• TensorFlow实现iris数据集线性回归
• 运用TensorFlow进行简单实现线性回归、梯度下降示例
• 用tensorflow构建线性回归模型的示例代码
• TensorFlow实现RNN循环神经网络
• TensorFlow实现卷积神经网络CNN
• 利用TensorFlow训练简单的二分类神经网络模型的方法
• TensorFlow 实战之实现卷积神经网络的实例讲解