卷积神经网络回归模型

# -*- coding: utf-8 -*-
“““
Created on Tue Sep 12 15:05:41 2017

@author: thinkpad
“““


import numpy as np
from sklearn import preprocessing
import tensorflow as tf
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt
#波士顿房价数据
boston=load_boston（）
x=boston.data
y=boston.target
#x_3=x[:3:6]
#x=np.column_stack（[xx_3]）
train_x test_x train_y test_y = train_test_split（x ytrain_size=0.5 random_state=33）
ss_x = preprocessing.StandardScaler（）
train_x = ss_x.fit_transform（train_x）
test_x = ss_x.transform（test_x）
train_y = ss_x.fit_transform（train_y.reshape（-1 1））
test_y=ss_x.transform（test_y.reshape（-1 1））

def weight_variable（shape）:
    initial= tf.truncated_normal（shapestddev=0.1）
    return tf.Variable（initial）
def bias_variable（shape）:
    initial = tf.constant（0.1 shape=shape）
    return tf.Variable（initial）
def conv2d（x W）:
    return tf.nn.conv2d（x W strides=[1 1 1 1] padding=‘SAME‘）
def max_pool_2x2（x）:
    return tf.nn.max_pool（x ksize=[1221] strides=[1221] padding=‘SAME‘）
xs = tf.placeholder（tf.float32 [None 13]） #原始数据的维度：13
ys = tf.placeholder（tf.float32 [None 1]）#输出数据为维度：1
keep_prob = tf.placeholder（tf.float32）#dropout的比例
x_image = tf.reshape（xs [-1 13 1 1]）
#第一卷积层
W_conv1 = weight_variable（[22 132]） 
b_conv1 = bias_variable（[32]）
h_conv1 = tf.nn.relu（conv2d（x_image W_conv1） + b_conv1）
# conv2 layer ##第二卷积层
W_conv2 = weight_variable（[22 32 64]） 
b_conv2 = bias_variable（[