TensorFlow非线性回归

最新推荐文章于 2020-08-01 14:12:35 发布

原创最新推荐文章于 2020-08-01 14:12:35 发布 · 336 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#TensorFlow #非线性回归

TensorFlow 专栏收录该内容

8 篇文章

订阅专栏

本文详细介绍了一种使用TensorFlow和NumPy构建神经网络的方法，通过生成随机数据并使用神经网络进行拟合，展示了如何定义神经网络的层、激活函数、损失函数以及优化器，并最终通过Matplotlib可视化预测结果。

部署运行你感兴趣的模型镜像

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

#使用numpy生成200个随机点
x_data = np.linspace(-0.5,0.5,200)[:,np.newaxis] # 单列
noise = np.random.normal(0,0.02,x_data.shape)
y_data = np.square(x_data) + noise

#定义两个placeholder
x = tf.placeholder(tf.float32,[None,1]) # 输入
y = tf.placeholder(tf.float32,[None,1])

#定义神经网络中间层
Weights_L1 = tf.Variable(tf.random_normal([1,10]))
biases_L1 = tf.Variable(tf.zeros([1,10]))
Wx_plus_b_L1 = tf.matmul(x,Weights_L1) + biases_L1
L1 = tf.nn.tanh(Wx_plus_b_L1) # 中间层的输出

#定义神经网络输出层
Weights_L2 = tf.Variable(tf.random_normal([10,1]))
biases_L2 = tf.Variable(tf.zeros([1,1]))
Wx_plus_b_L2 = tf.matmul(L1,Weights_L2) + biases_L2
prediction = tf.nn.tanh(Wx_plus_b_L2)

#二次代价函数
loss = tf.reduce_mean(tf.square(y-prediction))
#使用梯度下降法训练
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

with tf.Session() as sess:
    #变量初始化
    sess.run(tf.global_variables_initializer())
    for _ in range(2000):
        sess.run(train_step,feed_dict={x:x_data,y:y_data})
#         if _%100 ==0:
#             print(_,sess.run([Weights_L1,biases_L1,Weights_L2,biases_L2]))
     
    #---------------测试------------------------#
    #获得预测值
    prediction_value = sess.run(prediction,feed_dict={x:x_data}) # 只需传入x_data即可
    #画图
    plt.figure()
    plt.scatter(x_data,y_data)
    plt.plot(x_data,prediction_value,'r-',lw=5)
    plt.show()