Tensorflow实现神经网络拟合线性回归

Tensorflow实现神经网络拟合线性回归？相信很多没有经验的人对此束手无策，为此本文总结了问题出现的原因和解决方法，通过这篇文章希望你能解决这个问题。

一、利用简单的一层神经网络拟合一个函数 y = x^2 ，其中加入部分噪声作为偏置值防止拟合曲线过拟合

import tensorflow as tf import numpy as np import matplotlib.pyplot as plt   # 生成-0.5到0.5间均匀发布的200个点，将数据变为二维，200行一列的数据 x_data = np.linspace(-0.5, 0.5, 200)[:, np.newaxis]   # 生成一些噪音数据 noise = np.random.normal(0, 0.02, x_data.shape)   # 定义y与x的关系 y_data = np.square(x_data) + noise   # 定义两个占位符 x = tf.placeholder(tf.float32, [None, 1]) # 形状为n行1列，同x_data的shape y = tf.placeholder(tf.float32, [None, 1])   # 定义神经网络   # 定义中间层，因为每个x是一维，所以只需1个神经元，定义中间层的连接神经元是10 # 矩阵：[a, b]×[b, c] = [a, c]  L1_weights = tf.Variable(tf.random_normal([1, 10]))  L1_bias = tf.Variable(tf.zeros([1, 10])) L1_weights_bias = tf.matmul(x, L1_weights) + L1_bias L1 = tf.nn.tanh(L1_weights_bias)   # 定义输出层，每个x只有一个神经元 L2_weights = tf.Variable(tf.random_normal([10, 1])) L2_bias = tf.Variable(tf.zeros([1, 1])) L2_weights_bias = tf.matmul(L1, L2_weights) + L2_bias L2 = tf.nn.tanh(L2_weights_bias)   # 定义损失函数 loss = tf.reduce_mean(tf.square(y - L2))   # 梯度下降最小化损失函数 optimizer = tf.train.GradientDescentOptimizer(0.1)   train_step = optimizer.minimize(loss)   # 全局变量初始化 init = tf.global_variables_initializer()   # 定义会话 with tf.Session() as sess:  sess.run(init)  for _ in range(2000):   sess.run(train_step, feed_dict={x:x_data, y:y_data})     # 获取预测值  predict = sess.run(L2, feed_dict={x:x_data})    # 画图  plt.figure()  # 画出散点  plt.scatter(x_data, y_data)  # 画出拟合的曲线  plt.plot(x_data, predict)    plt.show()

二、代码运行效果如下：

看完上述内容，你们掌握Tensorflow实现神经网络拟合线性回归的方法了吗？如果还想学到更多技能或想了解更多相关内容，欢迎关注亿速云行业资讯频道，感谢各位的阅读！