TensorFlow实现神经网络拟合非线性函数

阿澈

发布时间：2026-10-13| 6人浏览过

原创

本文通过TensorFlow构建单层神经网络，拟合包含噪声的y=x^2数据。代码展示了数据生成、占位符定义、隐藏层与输出层搭建、损失函数优化及可视化预测结果的全过程，为初学者提供完整的深度学习入门示例。

TensorFlow神经网络拟合示例概述

本文分享使用TensorFlow构建神经网络以拟合线性回归及相关函数的具体代码实现，供读者参考学习。

数据生成与模型构建

首先，利用一个简单的一层神经网络来拟合函数 y = x^2。在生成数据时，加入部分噪声作为偏置值，旨在防止拟合曲线出现过拟合现象。

核心代码实现


import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
 
# 生成-0.5到0.5间均匀发布的200个点，将数据变为二维，200行一列的数据
x_data = np.linspace(-0.5, 0.5, 200)[:, np.newaxis]
 
# 生成一些噪音数据
noise = np.random.normal(0, 0.02, x_data.shape)
 
# 定义y与x的关系
y_data = np.square(x_data) + noise
 
# 定义两个占位符
x = tf.placeholder(tf.float32, [None, 1]) # 形状为n行1列，同x_data的shape
y = tf.placeholder(tf.float32, [None, 1])
 
# 定义神经网络
 
# 定义中间层，因为每个x是一维，所以只需1个神经元，定义中间层的连接神经元是10
# 矩阵：[a, b]×[b, c] = [a, c] 
L1_weights = tf.Variable(tf.random_normal([1, 10])) 
L1_bias = tf.Variable(tf.zeros([1, 10]))
L1_weights_bias = tf.matmul(x, L1_weights) + L1_bias
L1 = tf.nn.tanh(L1_weights_bias)
 
# 定义输出层，每个x只有一个神经元
L2_weights = tf.Variable(tf.random_normal([10, 1]))
L2_bias = tf.Variable(tf.zeros([1, 1]))
L2_weights_bias = tf.matmul(L1, L2_weights) + L2_bias
L2 = tf.nn.tanh(L2_weights_bias)
 
# 定义损失函数
loss = tf.reduce_mean(tf.square(y - L2))
 
# 梯度下降最小化损失函数
optimizer = tf.train.GradientDescentOptimizer(0.1)
 
train_step = optimizer.minimize(loss)
 
# 全局变量初始化
init = tf.global_variables_initializer()
 
# 定义会话
with tf.Session() as sess:
 sess.run(init)
 for _ in range(2000):
  sess.run(train_step, feed_dict={x:x_data, y:y_data})
  
 # 获取预测值
 predict = sess.run(L2, feed_dict={x:x_data})
 
 # 画图
 plt.figure()
 # 画出散点
 plt.scatter(x_data, y_data)
 # 画出拟合的曲线
 plt.plot(x_data, predict)
 
 plt.show()