Tensorflow实现神经网络拟合线性回归

技术  /  管理员 发布于 7年前   143

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 tfimport numpy as npimport 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shapey = 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_biasL1 = 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_biasL2 = 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，也希望大家多多支持。