tensorflow一元二次函数拟合

先看下要做的内容，创建一元二次函数y=x平方-0.5，其中为了更符合散点图模拟需要，在方程加噪点，以标准方差0.05行驶，如图所示

折线图

散点图

下面我们要做的，是要计算机自动拟合出该散点图的函数，画出图样，如图

下面，就通过TensorFlow来看如何做出这个样子

在TensorFlow中，首先定义

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

#定义隐藏层
def add_layer(inputs,in_size,out_size,activation_function=None):
Weights=tf.Variable(tf.random_normal([in_size,out_size])) #权值
biases=tf.Variable(tf.zeros([1,out_size])+0.1) #偏置
Wx_plus_b=tf.matmul(inputs,Weights)+biases #z=wx+b
if activation_function is None:
outputs=Wx_plus_b
else:
outputs=activation_function(Wx_plus_b)
return outputs

#make up some real data
x_data=np.linspace(-1,1,300)[:,np.newaxis]#加维度
noise=np.random.normal(0,0.05,x_data.shape)#加噪点，标准方差0.05
y_data=np.square(x_data)-0.5+noise #y=square(x)-0.5+noise

#train_step所要输入的值
xs=tf.placeholder(tf.float32,[None,1])
ys=tf.placeholder(tf.float32,[None,1])
###建立第一,二次隐藏层layer
###add_layer(inputs,in_size,out_size,activation_function=None)
l1=add_layer(xs,1,10,activation_function=tf.nn.relu)#激励函数(activation_function)ReLU
prediction=add_layer(l1,10,1,activation_function=None)

#创建损失函数
loss=tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),
reduction_indices=[1]))
train_step=tf.train.GradientDescentOptimizer(0.1).minimize(loss)#梯度下降优化器,减少误差，学习效率0.1

#important step
init=tf.initialize_all_variables()
sess=tf.Session()
sess.run(init)

#绘图部分
fig=plt.figure()
ax=fig.add_subplot(1,1,1)
ax.scatter(x_data,y_data)
plt.ion()#不暂停
plt.show()

#学习1000步
for i in range(1000):
sess.run(train_step,feed_dict={xs:x_data,ys:y_data})
if i%50==0:
#print(sess.run(loss,feed_dict={xs:x_data,ys:y_data})) #输出误差
try:
ax.lines.remove(lines[0])
except Exception:
pass

prediction_value=sess.run(prediction,feed_dict={xs:x_data})
lines=ax.plot(x_data,prediction_value,'r',lw=5)
plt.pause(0.1)
输出误差截图，每50次输出一次，截图如下