TensorFlow——實作線性回歸算法

#TensorFlow實作線性回歸算法

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

#使用numpy生成200個随機點
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

#定義兩個placeholder存放輸入資料
x=tf.placeholder(tf.float32,[None,1])
y=tf.placeholder(tf.float32,[None,1])

#定義神經網絡中間層
Weights_L1=tf.Variable(tf.random_normal([1,10]))
biases_L1=tf.Variable(tf.zeros([1,10]))    #加入偏置項
Wx_plus_b_L1=tf.matmul(x,Weights_L1)+biases_L1
L1=tf.nn.tanh(Wx_plus_b_L1)   #加入激活函數

#定義神經網絡輸出層
Weights_L2=tf.Variable(tf.random_normal([10,1]))
biases_L2=tf.Variable(tf.zeros([1,1]))  #加入偏置項
Wx_plus_b_L2=tf.matmul(L1,Weights_L2)+biases_L2
prediction=tf.nn.tanh(Wx_plus_b_L2)   #加入激活函數

#定義損失函數（均方差函數）
loss=tf.reduce_mean(tf.square(y-prediction))
#定義反向傳播算法（使用梯度下降算法訓練）
train_step=tf.train.GradientDescentOptimizer(0.1).minimize(loss)

with tf.Session() as sess:
    #變量初始化
    sess.run(tf.global_variables_initializer())
    #訓練2000次
    for i in range(2000):
        sess.run(train_step,feed_dict={x:x_data,y:y_data})

    #獲得預測值
    prediction_value=sess.run(prediction,feed_dict={x:x_data})

    #畫圖
    plt.figure()
    plt.scatter(x_data,y_data)   #散點是真實值
    plt.plot(x_data,prediction_value,'r-',lw=5)   #曲線是預測值
    plt.show()           

結果為：