tensorflow基础知识3，回归例子

1、线性回归例子

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

#使用numpy生成200个随机点
x_data=np.linspace(-0.5,0.5,2000)[:,np.newaxis]#在-0.5到0.5之间生成200个随机数,[]里是增加一个维度，200行1列
noise=np.random.normal(0,0.2,x_data.shape)#干扰项，从正态分布中输出随机值，shape是查看矩阵或者数组的维数，生成与x_data数组一样的形状
y_data=np.square(x_data)+noise#得到一个U形图像

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

#定义神经网络中间层
Weights_L1=tf.Variable(tf.random_normal([1,10]))#权值，定义一个随机变量，随机赋值，形状是1行10列,权值是连接输入层和中间层，输入层是1个神经元，中间层是10个神经元
biases_L1=tf.Variable(tf.zeros([1,10]))#偏置值，初始化为0，注意zero函数的用途
Wx_plus_b_L1=tf.matmul(x,Weights_L1)+biases_L1#matmul是矩阵相乘，中间层信号的总和
L1=tf.nn.tanh(Wx_plus_b_L1)#L1相当于中间层的输出，双曲正切函数tanh作为激活函数.激活函数可以使输出一定非线性函数
#tf.nn ：提供神经网络相关操作的支持，包括卷积操作（conv）、池化操作（pooling）、归一化、loss、分类操作、embedding、RNN、Evaluation。

#定义神经网络输出层
Weights_L2=tf.Variable(tf.random_normal([10,1]))#中间层是10个神经元，输出层是1个神经元，所以Weights_L2是10行1列的矩阵
biases_L2=tf.Variable(tf.zeros([1,1]))
Wx_plus_b_L2=tf.matmul(L1,Weights_L2)+biases_L2#输出层的输入就是中间层的输出L1，输出层信号的总和
prediction=tf.nn.tanh(Wx_plus_b_L2)

#二次代价函数
loss=tf.reduce_mean(tf.square(y-prediction))
#使用梯度下降法训练,得到最小化代价函数值
train_step=tf.train.GradientDescentOptimizer(0.1).minimize(loss)

with tf.Session() as sess:

    #变量初始化,只要有变量就一定要初始化
    sess.run(tf.global_variables_initializer())
    for _ in range(2000):#训练2000次
        sess.run(train_step,feed_dict={x:x_data,y:y_data})#feed的数据以字典的形式传入

    #获得预测值
    prediction_value=sess.run(prediction,feed_dict={x:x_data})#此处的prediction是上面经过2000次训练得到的最优解

    #画图
    plt.figure()
    plt.scatter(x_data,y_data)#用散点图的方式把样本点显示出来
    plt.plot(x_data,prediction_value,'r-',lw=5)#红色实现，线宽为5
    plt.show()