TensorFlow入门教程（三）：线性回归，曲线拟合

本节通过一个简单的线性回归来理解神经网络是如何工作的。

定义了一个两层网络，采用梯度下降法，通过对权值的训练，对曲线进行拟合

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
# 定义变量
x_data = np.linspace(-0.5, 0.5, 200)[:, np.newaxis]  # 从-0.5到0.5均匀分布生成200个点，形成200行一列矩阵
noise = np.random.normal(0, 0.02, x_data.shape)  # 产生随机噪声
y_data = np.square(x_data) + noise  # y = x^2 + noise
x = tf.placeholder(tf.float32, [None, 1])  # 定义占位符
y = tf.placeholder(tf.float32, [None, 1])

# 定义输入层
weight_1 = tf.Variable(tf.random_normal([1, 10]))  # 权重矩阵为1*10，即1个输入，10个中间层
biase_1 = tf.Variable(tf.zeros([1, 10]))  # 偏置值
wx_plus_1 = tf.matmul(x, weight_1) + biase_1  # 输入数据与权值相乘
L1 = tf.nn.tanh(wx_plus_1)  # **函数

# 定义输出层
weight_2 = tf.Variable(tf.random_normal([10, 1]))  # 10个中间层，1个输出层
biase_2 = tf.Variable(tf.zeros([1, 1]))
wx_plus_2 = tf.matmul(L1, weight_2) + biase_2
prediction = tf.nn.tanh(wx_plus_2)

loss = tf.reduce_mean(tf.square(y - prediction))  # 求每一个数据误差的平方，再求均值
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)  # 梯度下降法优化器，学习率为0.1，使得误差最小
with tf.Session() as sees:
    sees.run(tf.global_variables_initializer())  # 变量初始化
    for i in range(2000):
        sees.run(train_step, feed_dict={x: x_data, y: y_data})  # 进行2000次训练

    prediction_value = sees.run(prediction, feed_dict={x: x_data})  # 预测
    plt.figure()  # 画图
    plt.scatter(x_data, y_data)  # 画输入点
    plt.plot(x_data, prediction_value, 'r-', lw=5)  # 画预测曲线
    plt.show()

运行结果：