使用Tensorflow拟合x与y之间的关系

import tensorflow as tf import numpy as np #构造输入数据（我们用神经网络拟合x_data和y_data之间的关系） x_data = np.linspace(-1,1,300)[:, np.newaxis] #-1到1等分300份形成的二维矩阵 noise = np.random.normal(0,0.05, x_data.shape) #噪音，形状同x_data在0-0.05符合正态分布的小数 y_data = np.square(x_data)-0.5+noise #x_data平方，减0.05，再加噪音值 #输入层（1个神经元） xs = tf.placeholder(tf.float32, [None, 1]) #占位符，None表示n*1维矩阵，其中n不确定 ys = tf.placeholder(tf.float32, [None, 1]) #占位符，None表示n*1维矩阵，其中n不确定 #隐层（10个神经元） W1 = tf.Variable(tf.random_normal([1,10])) #权重，1*10的矩阵，并用符合正态分布的随机数填充 b1 = tf.Variable(tf.zeros([1,10])+0.1) #偏置，1*10的矩阵，使用0.1填充 Wx_plus_b1 = tf.matmul(xs,W1) + b1 #矩阵xs和W1相乘，然后加上偏置 output1 = tf.nn.relu(Wx_plus_b1) #激活函数使用tf.nn.relu #输出层（1个神经元） W2 = tf.Variable(tf.random_normal([10,1])) b2 = tf.Variable(tf.zeros([1,1])+0.1) Wx_plus_b2 = tf.matmul(output1,W2) + b2 output2 = Wx_plus_b2 #损失 loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-output2),reduction_indices=[1])) #在第一维上，偏差平方后求和，再求平均值，来计算损失 train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) # 使用梯度下降法，设置步长0.1，来最小化损失 #初始化 init = tf.global_variables_initializer() #初始化所有变量 sess = tf.Session() sess.run(init) #变量初始化 #训练 for i in range(1000): #训练1000次 _,loss_value = sess.run([train_step,loss],feed_dict={xs:x_data,ys:y_data}) #进行梯度下降运算，并计算每一步的损失 if(i%50==0): print(loss_value) # 每50步输出一次损失在这里插入代码片