TensorFlow——线性回归

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

#使用numpy来生成200个随机点，这是样本
x_data = np.linspace(-0.5,0.5,200)[:,np.newaxis]#在-0.5和0.5之间产生200个点，均匀分布的,包含这两个,后面的参数是把它二维化，最后是200行1列的数组
noise = np.random.normal(0,0.02,x_data.shape)#随机生成noise,形状跟x_data一样
y_data = np.square(x_data) + noise

#定义两个placeholder
x = tf.placeholder(tf.float32,[None,1])#后面参数意思是行数随便，列式为1
y = tf.placeholder(tf.float32,[None,1])#是根据样本来定义的

#构造一个简单神经网络，实现回归
#思路是输入一个x，计算到一个y，即预测值，使预测值和真是的y解决或相等
#输入层是一个点，即一个神经元，中间层可以随机定义，比如用10个神经元，输出层也是一个神经元

#构建神经网络中间层
Weights_L1 = tf.Variable(tf.random_normal([1,10]))#定义权值，输入层为1，中间层为10，参数对应
biases_L1 = tf.Variable(tf.zeros([1,10]))#定义偏置值
Wx_plus_b_L1 = tf.matmul(x,Weights_L1) + biases_L1#输入值x乘权值再加偏置值得到信号总和
L1 = tf.nn.tanh(Wx_plus_b_L1)#相当于中间值的输出，用双曲正切函数作为激活函数

#定义输出层
Weights_L2 = tf.Variable(tf.random_normal([10,1]))#权值
biases_L2 = tf.Variable(tf.zeros([1,1]))#偏置值
Wx_plus_b_L2 = tf.matmul(L1,Weights_L2) + biases_L2#输出层的输入就是中间层的输出
prediction = tf.nn.tanh(Wx_plus_b_L2)#输出需要经过一个激活函数

#二次代价函数
loss = tf.reduce_mean(tf.square(y-prediction))
#梯度下降法
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(loss)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    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()
    plt.scatter(x_data,y_data)
    plt.plot(x_data,prediction_value,'r-',lw=5)#红色的线，线宽为5
    plt.show()

'''
图中蓝色的是样本点，因为有noise所以不是一条线是一些散点；
红色的是训练过的，跟样本点的loss最小
'''