深度学习Tensorflow非线性回归案列

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt  #创建自定义图像
#使用numpy生成200个随机点
x_data = np.linspace(-0.5,0.5,200)[:,np.newaxis]
noise = np.random.normal(0,0.02,x_data.shape)
y_data = np.square(x_data) + noise #这是一个抛物线函数

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

#定义神经网络中间层
Weights_L1 = tf.Variable(tf.random_normal([1,10])) #创建1行10列的平均值为0，标准差为1，的正态分布随机数组Weights_L1
biases_L1 = tf.Variable(tf.zeros([1,10]))          #创建1行10列的全0数组biases_L1
Wx_plus_b_L1 = tf.matmul(x,Weights_L1) + biases_L1 #Wx_plus_b_L1 为相乘后的矩阵
L1 = tf.nn.tanh(Wx_plus_b_L1)                      #双曲正切曲线

#定义神经网络输出层
Weights_L2 = tf.Variable(tf.random_normal([10,1])) #创建10行1列的平均值为0，标准差为1，的正态分布随机数组Weights_L2
biases_L2 = tf.Variable(tf.zeros([1,1]))           #创建1行1列的全0数组biases_L1
Wx_plus_b_L2 = tf.matmul(L1,Weights_L2) + biases_L2
prediction = tf.nn.tanh(Wx_plus_b_L2)

#二次代价函数
loss = tf.reduce_mean(tf.square(y-prediction))     #计算平均值loss
#使用梯度下降法训练
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 i in range(2000):
        sess.run(train_step,feed_dict={x:x_data,y:y_data}) #给train_step赋值并运行

    #获得预测值
    prediction_value = sess.run(prediction,feed_dict={x:x_data})
    #画图
    plt.figure()  #设置图像的属性
    plt.scatter(x_data,y_data) #以x_data为横坐标, y_data为纵坐标 画散点图 ,scatter:散点
    plt.plot(x_data,prediction_value,'b-',lw=5)#以x_data 为横轴, prediction_value 为纵轴，以颜色为蓝色，线条宽度为5的直线画出这个线条图形
    plt.show()   #展示图形