单层神经网络下求一元线性回归值

import tensorflow as tf
import numpy as np


# 随机生成 3000行，1列向量
inputX = np.random.rand(3000,1)
# numpy.random.normal(loc=0.0, scale=1.0, size=None)
# 标准正态分布（μ=0, σ=1），对应loc=0.0, scale=1.0
# loc:此概率分布的均值（对应着整个分布的中心centre）
# scale：此概率分布的标准差（对应于分布的宽度，scale越大越矮胖，scale越小，越瘦高）
# size：输出的shape，默认为None，只输出一个值
noise = np.random.normal(0,0.05,inputX.shape)
# y=4x + 1
outputY = inputX * 4 + 1 + noise
# 第一层
# inputX.shape = (3000, 1)
# inputX.shape[1] = 1
# w 的shape实际是 (1, 4)
weight1 = tf.Variable(np.random.rand(inputX.shape[1],4))
bias1 = tf.Variable(np.random.rand(inputX.shape[1],4))
# x和w的shape行列值正好是相反，原因请看矩阵的线性变换
x1 = tf.placeholder(tf.float64, [None, 1])
#  Y = w * X + b 一元线性回归模型
# tf.matmul是矩阵相乘
y1_ = tf.matmul(x1, weight1) + bias1
y = tf.placeholder(tf.float64, [None, 1])
# tf.reduce_sum(tf.square((y1_ - y))  最小二乘的累加
# tf.reduce_mean 对矩阵降维
loss = tf.reduce_mean(tf.reduce_sum(tf.square((y1_ - y)),reduction_indices=[1]))
# 选择学习率为0.25的梯度下降法
train = tf.train.GradientDescentOptimizer(0.25).minimize(loss)
# 初始化全部变量
init = tf.initialize_all_variables()
sees = tf.Session()
sees.run(init)


# 训练一千遍
for i in range(1000):
    sees.run(train, feed_dict={x1:inputX, y:outputY})


print(weight1.eval(sees))
print("====================")
print(bias1.eval(sees))
print("====================")


x_data = np.matrix([[1.],[2.],[3.]])
print(sees.run(y1_,feed_dict={x1: x_data}))


复制

w值：
[[4.00232605 4.00232605 4.00232605 4.00232605]]
b值：
[[0.99968383 0.99968383 0.99968383 0.99968383]]
计算结果：
[[ 5.00200989  5.00200989  5.00200989  5.00200989]
 [ 9.00433594  9.00433594  9.00433594  9.00433594]
 [13.006662   13.006662   13.006662   13.006662  ]]
复制