一、非线性回归例子 import tensorflow as tf import numpy as np import matplotlib.pyplot as plt #生成随机点 x_data = np.linspace(-0.5,0.5,200)[:,np.newaxis] #返回均匀间隔的数字 noise = np.random.normal(0,0.02,x_data.shape) 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]) #构建神经网络的中间层 Weights_L1 = tf.Variable(tf.random_normal([1,10])) biases1 = tf.Variable(tf.zeros([1,10])) Wx_plus_b_L1 = tf.matmul(x,Weights_L1) + biases1 #注意multiply和matmul的区别：multiply矩阵维度必须相同，matmul矩阵相乘维度可以不同 L1 = tf.nn.tanh(Wx_plus_b_L1) #构建神经网络的输出层 Weights_L2 = tf.Variable(tf.random_normal([10,1])) biases2 = tf.Variable(tf.zeros([1,1])) Wx_plus_b_L2 = tf.matmul(L1,Weights_L2) + biases2 #注意multiply和matmul的区别：multiply矩阵维度必须相同，matmul矩阵相乘维度可以不同 prediction = tf.nn.tanh(Wx_plus_b_L2) #二次代价函数 loss = tf.reduce_mean(tf.square(y-prediction)) #梯度下降法法训练 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()) #训练 for _ in range(2000): sess.run(train_step,feed_dict={x:x_data,y:y_data}) #预测 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)#红色实线 宽度为5 plt.show() 函数的一些解释： 1.注意multiply和matmul的区别：multiply矩阵维度必须相同，matmul矩阵相乘维度可以不同 2.random.normal解释： 高斯分布的概率密度函数 numpy中numpy.random.normal(loc=0.0, scale=1.0, size=None) 参数的意义为： loc:float 概率分布的均值，对应着整个分布的中心center scale:float 概率分布的标准差，对应于分布的宽度，scale越大越矮胖，scale越小，越瘦高 size:int or tuple of ints 输出的shape，默认为None，只输出一个值 我们更经常会用到np.random.randn(size)所谓标准正太分布（μ=0, σ=1），对应于np.random.normal(loc=0, scale=1, size)
二、MNIST手写体数据集分类简单版本 import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data #导入数据集 mnist = input_data.read_data_sets("MNIST_data",one_hot=True)#如果本地没有数据集，此语句会自动下载到对应的文件夹位置，不过网速较慢，不建议 #每个批次的大小 batch_size = 100 #计算一共需要多少个批次 n_batch = mnist.train.num_examples // batch_size #创建两个placeholder x = tf.placeholder(tf.float32,[None,784]) y = tf.placeholder(tf.float32,[None,10]) #创建一个简单的神经网络 W = tf.Variable(tf.zeros([784,10])) b = tf.Variable(tf.zeros([10])) prediction = tf.nn.softmax(tf.matmul(x,W) + b) #二次代价函数 loss = tf.reduce_mean(tf.square(y-prediction)) #交叉熵损失函数，可以与二次代价函数对比一下那个效果好，运行时只能保留一个 #loss = -tf.reduce_sum(y_*tf.log(y)) #使用梯度下降法训练 train_step = tf.train.GradientDescentOptimizer(0.2).minimize(loss) #结果存放在一个布尔类型列表中 correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))#对比预测结果的标签是否一致，一致为True，不同为False #预测准确率 accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))#将布尔型转化为0.0-1.0之间的数值,True为1.0，False为0.0 #变量初始化 init = tf.global_variables_initializer() with tf.Session() as sess: sess.run(init) for epoch in range(21): for batch in range(n_batch): batch_x,batch_y = mnist.train.next_batch(batch_size)# sess.run(train_step,feed_dict={x:batch_x,y:batch_y}) acc = sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels}) print('Iter' + str(epoch) + ',Test Accuaracy' + str(acc)) Iter20,Test Accuaracy0.9139
