Tensorflow 非线性回归

placeholder用法

tf.placeholder(dtype, shape=None, name=None)

TensorFlow中的占位符，用于传入外部数据。

参数：

dtype:数据类型。

shape:数据的维度。

默认为None，表示没有限制

name:名称返回类型：

TensorTensorFlow中加载图片的维度为[batch, height, width, channels]

故placeholder的shape可写为[None, None, None, 3]
 

 
x_data=np.linspace(-0.5,0.5,200)[:,np.newaxis]
noise=np.random.normal(0,0.02,x_data.shape)
y_data=np.square(x_data)+noise
 
x=tf.placeholder(tf.float32,[None,1])
y=tf.placeholder(tf.float32,[None,1])
 
#简单中间层神经网络的建立
Weights_L1=tf.Variable(tf.random_normal([1,10]))
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)
 
#输出层
Weights_L2=tf.Variable(tf.random_normal([10,1]))
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)
 
 
loss=tf.reduce_mean(tf.square(y-prediction))
 
 
#优化器
optimizer=tf.train.GradientDescentOptimizer(0.1)
train=optimizer.minimize(loss)
 
init=tf.global_variables_initializer()
 
with tf.Session() as sess:
    sess.run(init)
    for _ in range(2000):
        sess.run(train,feed_dict={x:x_data,y:y_data})
    prediction_value=sess.run(prediction,feed_dict={x:x_data})
    plt.figure()
    plt.scatter(x_data,y_data)
    plt.plot(x_data,prediction_value,'r--',lw=5)
    plt.show()