使用Tensorflow构建神经网络

Allen.Py

于 2018-09-26 00:33:04 发布

阅读量219

点赞数 1

分类专栏： python 文章标签： python tensorflow 神经网络人工智能 numpy

python 专栏收录该内容

1 篇文章

订阅专栏

本文详细介绍使用TensorFlow实现线性回归的过程，包括数据生成、模型构建、误差计算及传播，通过具体代码演示如何训练模型并调整权重与偏置，最终达到预测目标变量的目的。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import tensorflow as tf
import numpy as np

#创建数据
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data*0.1+0.4

#构建模型
Weights=tf.Variable(tf.random_uniform([1],-1.0,1.0))
biases = tf.Variable(tf.zeros([1]))
y = Weights*x_data+biases

#计算误差
loss = tf.reduce_mean(tf.square(y-y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)

#传播误差
train=optimizer.minimize(loss)
#初始化
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init) 

#训练数据
for step in range(201):
	sess.run(train)
	if step % 20==0:
		 print(step,sess.run(Weights),sess.run(biases))

运行结果:
在这里插入图片描述