Tensorflow非线性回归问题

最新推荐文章于 2025-07-20 16:03:21 发布

原创最新推荐文章于 2025-07-20 16:03:21 发布 · 981 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#非线性回归 #Tensorflow

本文通过使用TensorFlow实现了一个非线性模型的训练过程，详细介绍了如何生成随机样本点并添加噪声，定义了神经网络的中间层和输出层，采用二次代价函数进行优化，并通过图表展示了预测结果与实际数据的对比。

上篇https://blog.youkuaiyun.com/weixin_42866962/article/details/82793503讲的是线性模型，这次我们一起写一个非线性模型。

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
#依旧生成一些随机样本点:从-0.5—0.5 中间取200个数据
x_data=np.linspace(-0.5,0.5,200)[:,np.newaxis]  #2维
#加一些噪声点
noise =np.random.normal(0,0.02,x_data.shape)
#需要的公式为
y_data=np.square(x_data)+noise

#定义两个placeholder
x = tf.placeholder(tf.float32,[None,1])
y = tf.placeholder(tf.float32,[None,1])

#定义神经网络中间层
Weights_L1 = tf.Variable(tf.random_normal([1,10])) #【1,10】因为一列数字，自定义10个中间层
biases_L1 = tf.Variable(tf.zeros([1,10]))
Wx_plus_b_L1 = tf.matmul(x,Weights_L1) + biases_L1 #总和
L1=tf.nn.tanh(Wx_plus_b_L1)

#定义神经网络输出层，中间层的输出就等于输出层的输入
Weights_L2=tf.Variable(tf.random_normal([10,1]))
biases_L2=tf.Variable(tf.zeros([1,1]))
Wx_plus_b_L2=tf.matmul(L1,Weights_L2)+biases_L2 #总和
prediction=tf.nn.tanh(Wx_plus_b_L2)#预测结果


#二次代价函数
loss=tf.reduce_mean(tf.square(y-prediction))
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

with tf.Session() as sess:
    #变量初始化
    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)
    plt.show()





![在这里插入图片描述](https://img-blog.youkuaiyun.com/20180920230249573?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjg2Njk2Mg==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70)