tensorflow 使用 4 非線性迴歸

 

 

# 輸入一個 x 會計算出 y 值    y 是預測值，若是與 真的 y 值（y_data）接近就成功了 

import tensorflow as tf
import numpy as np
# py 的畫圖工具
import matplotlib.pyplot as plt

# 用 numpy 生成個 200 個屬性點  從 -0.5 到 0.5 間平均生成 200 個點
#x_data = np.linspace(-0.5, 0.5, 200)      # 這只是生成了一維的數組
# 用下邊這句能夠生成二維數組
x_data = np.linspace(-0.5, 0.5, 200)[:, np.newaxis]

# 生成隨機值，和 x_data 的形狀是同樣的 ( 噪點 )
noise = np.random.normal(0, 0.02, x_data.shape)

# x_data 的平方+隨機數
y_data = np.square( x_data ) + noise


# 定義二個佔位符
x = tf.placeholder( tf.float32, [None, 1] )  # [None, 1] 行不定，列只有一列
y = tf.placeholder( tf.float32, [None, 1] )

    
# 構建神經網絡中間層                    一行十列
Weights_L1 = tf.Variable( tf.random_normal([1, 10]))
biases_L1 = tf.Variable( tf.zeros([1, 10]) )

# 求出信號的總和          矩陣相乘，
Wx_plus_b_L1 = tf.matmul(x, Weights_L1) + biases_L1
# 中間層的輸出
L1 = tf.nn.tanh( Wx_plus_b_L1 )

# 輸出層                                    十行一列
Weights_L2 = tf.Variable( tf.random.normal([10, 1]))
biases_L2 = tf.Variable( tf.zeros([1, 1]) )
# 求出信號的總和          矩陣相乘，
Wx_plus_b_L2 = tf.matmul(L1, Weights_L2) + biases_L2
# 得出最後的預測結果
pred = tf.nn.tanh( Wx_plus_b_L2 )


# 二次代價函數
loss = tf.reduce_mean( tf.square(y - pred) )


# 梯度降低法的優化器                           最小化代價函數
train = tf.train.GradientDescentOptimizer( 0.2 ).minimize( loss )


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


  # 獲得預測值
  value = sess.run( pred, feed_dict={x:x_data} )
  # 用畫圖形式展示
  
  plt.figure()
  plt.scatter(x_data, y_data)
  plt.plot(x_data, value, 'r-', lw=5)
  plt.show()