Tensorlflow-神经网络解决非线性回归问题

标签：qos   key   ctc   神经网络   uil   value   lnl   knn   分享   

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

#使用numpy生成200个随机点,范围从-0.5到0.5均匀分布，增加一个维度得到200行1列的数据(生成二维数据)
x_data = np.linspace(-0.5,0.5,200)[:,np.newaxis]
#生成随机噪声，形状和x_data相同
noise = np.random.normal(0,0.02,x_data.shape)
y_data = np.square(x_data)+noise

#定义连个placeholder,行不确定，列为1
x = tf.placeholder(tf.float32,[None,1])
y = tf.placeholder(tf.float32,[None,1])

#定义神经网络中间层
#权值随机数，1行（输入层1个神经元），10列（中间层10个神经元）
Weights_L1 = tf.Variable(tf.random_normal([1,10]))
#10个偏置值
biases_L1 = tf.Variable(tf.zeros([1,10]))
Wx_plus_b_L1 = tf.matmul(x,Weights_L1)+biases_L1
L1 = tf.nn.tanh(Wx_plus_b_L1)

#定义神经网络输出层
Weights_L2 = tf.Variable(tf.random_normal([10,1]))
#1个偏置值
biases_L2 = tf.Variable(tf.zeros([1,1]))
Wx_plus_b_L2 = tf.matmul(L1,Weights_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))
#梯度下降法
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

with tf.Session() as sess:
　　#变量初始化
　　sess.run(tf.global_variables_initializer())
　　#训练2000次，使用placeholder往x,y 传入x_data,y_data
　　for _ in range(2000):
　　　　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()
　　#散点图
　　plt.scatter(x_data,y_data)
　　#红色的实线，宽度为5
　　plt.plot(x_data,prediction_value,‘r-‘,lw=5)
　　plt.show()

Tensorlflow-神经网络解决非线性回归问题

标签：qos   key   ctc   神经网络   uil   value   lnl   knn   分享   

原文地址：http://www.cnblogs.com/Bella2017/p/7967330.html