TensorFlow实现一个简单线性回归的例子

 __author__ = "WSX"
 import tensorflow as tf
 import numpy as np
 import matplotlib.pyplot as plt

 x_data = np.linspace(-0.5,0.5,200)[: , np.newaxis] #-0.5 --0.5 之间产生200个点 存到后面的2维中
 noise = np.random.normal(0 ,0.02 ,x_data.shape)
 y_data = np.square(x_data) +noise

 x= tf.placeholder(tf.float32 ,[None ,1]) #不确定行 和 1列
 y= tf.placeholder(tf.float32 ,[None ,1])

 #---------------------构建神经网络---------------------

 #----------------中间层 10 个
 Weights = tf.Variable(tf.random_normal([1 ,10]))
 biases = tf.Variable(tf.zeros([1,10]))
 res = tf.matmul(x , Weights) +biases
 L1= tf.nn.tanh(res)   #激活函数（双曲正切函数）

 #-------------输入层一个神经元 x

 #------------输出层为 y 一个神经元
 Weights_out = tf.Variable(tf.random_normal([10 ,1]))
 biases_out = tf.Variable(tf.zeros([1,1]))
 res_out = tf.matmul(L1 , Weights_out) +biases_out
 predict = tf.nn.tanh(res_out)

 #------------代价函数
 loss = tf.reduce_mean(tf.square(y - predict))
 train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)#梯度下降法训练

 #定义会话
 with tf.Session() as sess:
     sess.run(tf.global_variables_initializer())
     for i in range(2000):
         sess.run(train_step, feed_dict={x:x_data , y:y_data})

     #获取预测值
     predict_value = sess.run(predict , feed_dict={x:x_data})

     #画图
     plt.figure()
     plt.scatter(x_data,y_data)
     plt.plot(x_data , predict_value ,"r")
     plt.show()

代码都有注释。适合初学者理解。

例子主要回归了一个自定义的函数 y = x²

本例子的网络结构：

搭建步骤：

① 定义图

② 定义损失函数

③ 定义会话，在会话中运行

④训练

⑤评估