tensorflow做回归模型

使用tensorflow实现一个简单的回归模型：

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

#第一步：使用numpy生成样本点
#使用numpy中linspace函数生成服从均匀分布的在（-0.5,0.5）之间的200个随机点
#[a:b,np.newaxis]表示给array中的第a个元素到第b个元素增加一个维度，如果不写a,b，表示给所有元素增加一个维度
x_data=np.linspace(-0.5,0.5,200)[:,np.newaxis]  #x_data就是一个200行1列的tensor
#生成干扰项，形状和x_data形状一样
noise=np.random.normal(0,0.02,x_data.shape)
y_data=np.square(x_data)+noise

#第二步，定义模型
#定义两个placeholder
x=tf.placeholder(tf.float32,[None,1])  #x是一个行不确定，1列的一个占位符
y=tf.placeholder(tf.float32,[None,1])  #y是一个行不确定，1列的一个占位符

#构建的神经网络模型中，输入层1个神经元，隐藏层10个神经元，输出层1个神经元

#定义神经网络的隐藏层
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)

#定义神经元输出层
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)

#定义代价函数
loss=tf.reduce_mean(tf.square(y-prediction))

#定义优化器：梯度下降算法优化器
optimizer=tf.train.GradientDescentOptimizer(0.2)
train_step=optimizer.minimize(loss)

init=tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    for step in range(2000):
        sess.run(train_step,feed_dict={x:x_data,y:y_data})
    #获得预测值，测试的时候只传入x_data就可以了
    predict_value=sess.run(prediction,feed_dict={x:x_data})
    #画图
    plt.figure()
    #使用散点图的形式把样本点打印出来
    plt.scatter(x_data,y_data)
    #画出预测的值
    plt.plot(x_data,predict_value,"r-")
    #把图片显示出来
    plt.show()

运行结果：
蓝色的点为生成的200个样本点，红色的线为神经网络训练好后生成的线，红色的线对于整个样本来说loss最小。