Notes

Note1 linspace()函数功能

1	x_data = np.linspace(-0.5,0.5,10)

1	np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)

属性	说明
start	队列的开始值
stop	队列的结束值
num	要生成的样本数，非负数，默认是50
endpoint	若为True，“stop”是最后的样本；否则“stop”将不会被包含。默认为True
retstop	若为False，返回等差数列；否则返回array([samples, step])。默认为False

Note2 [:,newaxis]功能

执行代码

x_data = np.linspace(-0.5,0.5,10)
print(x_data.shape)
x_data = x_data[:,newaxis]
print(x_data.shape)

输出结果为

(10,)

(10,1)

x_data[:,newaxis]能将原来的数据扩充一个维度。

Note3 正态分布生成函数

1	np.random.normal(loc=0.0,scale=1.0,size=None)

属性	类型	说明
loc	float	正态分布的均值
scale	float	正态分布的标准差，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

Note4 y = np.square(x)

1	y = np.square(x)

返回的y与x有相同的shape，其中y的每个元素是x每个元素的平方。

Note5 Tensorflow的占位符

1	x = tf.placeholder(tf.float32,[None,1])

定义了一个32位浮点型的占位符，shape为[None,1]，行数没有定义，列数定义为1

执行时使用feed_dict{}以字典的形式传入数据

1	sess.run(train_step,feed_dict={x:x_data,y:y_data})

前面定义了operation，我们运行的时候seess.run()最后一个operation就可以，前面的会自动执行（我的推断）。

1	tf.placeholder(dtype,shape=None,name=None)

属性	说明
dtype	数据类型。常用的是tf.float32,tf.float64等数值类型
shape	数据形状。默认是None，就是一维值，也可以是多维（比如[2,3], [None, 3]表示列是3，行不定）
name	名称

Codes


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



#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

#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]))
biases_L1 = tf.Variable(tf.zeros([1,10]))
Wx_plus_b_L1 = tf.matmul(x,Weights_L1) + biases_L1
L1 = tf.nn.tanh(Wx_plus_b_L1)

#定义神经网络输出层
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
prediction = tf.nn.tanh(Wx_plus_b_L2)

#二次代价函数
loss = tf.reduce_mean(tf.square(y-prediction))
#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 _ 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()

邬

Tensorflow-Coding-Notes：非线性逻辑回归