[TensorFlow] demo1 创建100个float32的随机数y_data

最新推荐文章于 2025-04-25 17:00:00 发布
最新推荐文章于 2025-04-25 17:00:00 发布
阅读量2.5k 收藏 1
点赞数 1
CC 4.0 BY-SA版权
分类专栏： TensorFlow Python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/Android_XiuChou/article/details/78835888 

import numpy as np
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data*0.1 + 0.3
print(x_data)
print(y_data)



深度学习3：TensorFlow第一个简单Demo
慢慢积累
01-24 5375
为了了解TensorFlow整体流程，学习一个简单的Demo，使用TensorFlow拟合最简单的线性函数：y=w∗x+b" role="presentation" style="position: relative;">y=w∗x+by=w∗x+by = w * x + b。 输入为x和y，x为[0,1)的随机数，y=0.1∗x+0.3" role="present
tensorflow第一天
的博客
09-12 347
文章目录tensorflow的安装tensorflow结构分析图与会话OP张量 tensorflow的安装 tensorflow有1.x和2.x，CPU和GPU版本的 这里我安装的是tensorflow1.15.0CPU版本 步骤： 1.创建一个虚拟环境 打开cmd终端，输入命令： conda create -n pachong python==3.6.5 这条命令就创建了一个名字为pachong，基于python版本3.6.5的环境 2.查看anaconda环境下所有的虚拟环境 conda info.
random-float-生成一个随机浮点数
08-09
random-float - 生成一个随机浮点数
[TensorFlow] demo1 创建100个float32的随机数x_data
poeticHadoop的博客
12-18 803
import numpy as np x_data = np.random.rand(100).astype(np.float32) print(x_data) 运行效果如下：
Float32、Float16、BFloat16
最新发布
weixin_65350212的博客
04-25 1013
本文讨论了Float32、Float16、BFloat16这三种浮点数的表示方法、指数偏置、精度与数值范围，以及它们的应用场景和硬件支持情况
TF：Tensorflow结构简单应用，随机生成100个数，利用Tensorflow训练使其逼近已知线性直线的效率和截距—Jason niu...
aoduo9781的博客
01-22 180
import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' import tensorflow as tf import numpy as np x_data = np.random.rand(100).astype(np.float32) y_data = x_data*0.1 + 0.3 ...
float的范围随机
Geek is Mighty
06-22 833
此函数取一定范围内的浮点随机数。 #include #include float random_float(float min, float max) { static struct r { r(void) { srand((unsigned int)time(NULL)); } } initializer; return (max - min) * ((float)rand() / R
Python:使 numpy 默认为 float32
05-25 1558
在上述代码中，我们首先导入了 numpy 库并设置其打印选项以显示更多位数的浮点数。然后，我们创建了一个 4x3 的随机数组 `a`，并将其数据类型从 float64 更改为 float32。你可以使用 `numpy.set_printoptions()` 函数来改变输出的浮点数精度，以及设置数组或矩阵的默认数据类型为 float32。通过这种方式，你可以轻松地改变 numpy 在 Python 中的默认数据类型，以达到更高效或兼容特定需求的需求。print("\n转换为float32后的数据：")
Pytorch 张量创建详解
bbaaa123的博客
08-06 1188
pytorch 张量创建详解,详细说明了主流的张量创建方法和注意点
【Tensorflow 2.12 简单智能商城商品推荐系统搭建】
开卷有益
10-23 1400
基于 Tensorflow 2.12 搭建一个简单的智能商城商品推荐系统demo~主要包含6个部分，首先是简单介绍系统架构，接着是训练数据收集、处理，然后是召回模型、排序模型的搭建以及训练、导出等，最后是部署模型提供REST API接口以及如何调用进行推荐。Tensorflow是谷歌开源的机器学习框架，可以帮助我们轻松地构建和部署机器学习模型。这里记录学习使用Tensorflow来搭建一个简单的智能商城商品推荐系统。
【TensorFlow深度学习框架教程三】初识TensorFlow和神经网络
primetong的博客
04-05 737
初识TensorFlowTensorFlow的前世今生TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统，其命名来源于本身的运行原理。Tensor（张量）意味着N维数组，Flow（流）意味着基于数据流图的计算，TensorFlow为张量从流图的一端流动到另一端计算过程。TensorFlow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统。Tensor...
numpy：np.random.rand
NockinOnHeavensDoor的博客
03-30 837
从[0, 1)均匀分布生成值 np.random.rand(3,2) array([[ 0.14022471, 0.96360618], #random [ 0.37601032, 0.25528411], #random [ 0.49313049, 0.94909878]]) #random
在c++中给定一个范围生成随机float
weixin_43165135的博客
04-11 1823
在c++中给定一个范围生成随机float
用c语言随机获区100个整数,用rand() 函数去100 个随机的整数的有关问题
weixin_42561249的博客
05-20 795
用rand() 函数去100 个随机的整数的问题intrand100=(((double)rand()/(double)RAND_MAX)*RANGE_MAX+RANGE_MIN);你让RANGE_MAX=1；RANGE_MIN=0问题：1rand()返回的是什么类型的数？2(double)rand()/(double)RAND_MAX)，为什么要对r...
python怎么产生随机浮点数_python3生成随机数的几种常用方法
weixin_39923157的博客
11-20 9567
前言：python中生成随机数主要用到random模块，方法主要包括：randint、uniform、random、sample、choice等几种常用方法；本篇教程就来说说这几种方法的使用方式，以及唯一流水号(时间戳)和验证码的实例展示环境：Mac OS 10.14.6/Windows10、python3.7.31、在[a, b]之间产生随机整数(randint方法)import random;...
python--random函数
qq_41856231的博客
03-07 448
random:python内置生成随机数的函数，具体用法如下： import random print(random.random()) #生成0-1随机浮点数 print(random.randint(1,100)) #生成1-100之间的随机整数 print(random.uniform(1,5)) # 生成1-5之间的随机浮点数 print(random.randrange(0,100,3)) #生成从0到100的间隔为3的随机整数 print(random.choi
python跟深度numpy产生随机数初始化矩阵、ones_like、tf打印变量、session获取变量值
yangdeshun888的博客
08-28 1229
注意：使用tensorflow里的任何函数进行一些测试的时候都需要使用Session()来创建一个会话。 1、使用numpy跟tensorflow的自身函数产生随机值： numpy的特殊变量初始化的方式，其产生的数据类型是array，如下： 使用tensorflow自身的函数来产生随机值，其产生的数据类型是tensor，如下： import tensorflow as tf with...
TensorFlow学习（三）之-——常用随机函数用法与numpy常用随机函数
comway_Li的博客
07-26 954
一、TensorFlow常用随机函数 1.tf.constant tf.constant(value, dtype=None, shape=None)    创建一个常量tensor，按照给出value来赋值，可以用shape来指定其形状。value可以是一个数，也可以是一个list。 如果是一个数，那么这个常亮中所有值的按该数来赋值。 2.tf.random_normal 从正态分...
模块：random（随机数）
null
07-19 833
import random print(random.randint(0,100)) # 包括100 print(random.randrange(0,100)) # 不包括100 # 随机输出 0 到 100 的数字 print(random.randrange(0,100,2)) # 随机输出 0 到 100 的偶数 print(random.random()) # 随机输出一个 零 以下的浮点数 print(random.ch...
python深度学习训练demo
02-20
### Python 深度学习训练 Demo 示例代码 为了展示如何使用 Python 进行深度学习训练，下面是一个基于 PyTorch 的简单示例。该示例涵盖了从数据准备到模型训练的过程。 #### 1. 导入必要的库并设置随机种子 ```python import numpy as np import torch import torch.nn as nn from torch.utils.data import DataLoader, TensorDataset from sklearn.model_selection import train_test_split import random seed = 42 torch.manual_seed(seed) np.random.seed(seed) random.seed(seed) ``` #### 2. 准备数据集 假设已经有一个简单的回归问题的数据集 `X` 和标签 `y`。 ```python # 假设 X 是特征矩阵，y 是目标向量 X = np.random.rand(1000, 10).astype(np.float32) # 生成一些随机数作为特征 y = np.random.rand(1000, 1).astype(np.float32) # 生成一些随机数作为标签 # 将数据分为训练集和验证集 x_train, x_valid, y_train, y_valid = train_test_split(X, y, test_size=0.2) # 转换为 PyTorch Tensors x_train, y_train, x_valid, y_valid = map(torch.tensor, (x_train, y_train, x_valid, y_valid)) ``` #### 3. 创建自定义数据加载器 ```python train_dataset = TensorDataset(x_train, y_train) valid_dataset = TensorDataset(x_valid, y_valid) batch_size = 64 train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True) valid_loader = DataLoader(valid_dataset, batch_size=batch_size * 2) ``` #### 4. 定义神经网络模型 ```python class SimpleNN(nn.Module): def __init__(self, input_dim, hidden_dim, output_dim): super(SimpleNN, self).__init__() self.fc1 = nn.Linear(input_dim, hidden_dim) self.relu = nn.ReLU() self.fc2 = nn.Linear(hidden_dim, output_dim) def forward(self, x): out = self.fc1(x) out = self.relu(out) out = self.fc2(out) return out input_dim = 10 hidden_dim = 50 output_dim = 1 model = SimpleNN(input_dim, hidden_dim, output_dim) ``` #### 5. 设置损失函数和优化器 ```python criterion = nn.MSELoss() # 使用均方误差作为损失函数 optimizer = torch.optim.Adam(model.parameters(), lr=0.001) ``` #### 6. 训练循环 ```python num_epochs = 10 for epoch in range(num_epochs): model.train() running_loss = 0.0 for i, (inputs, labels) in enumerate(train_loader): optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {running_loss/len(train_loader):.4f}') ``` #### 7. 验证模型性能 ```python model.eval() with torch.no_grad(): valid_loss = 0.0 for inputs, labels in valid_loader: outputs = model(inputs) loss = criterion(outputs, labels) valid_loss += loss.item() print(f'Validation Loss: {valid_loss/len(valid_loader):.4f}') ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值