Tensorflow——神经网络实现非线性回归问题

最新推荐文章于 2022-11-24 15:52:48 发布

鬼 | 刀

最新推荐文章于 2022-11-24 15:52:48 发布

阅读量3.2k

点赞数 2

CC 4.0 BY-SA版权

分类专栏： tensorflow 文章标签： tensorflow 神经网络非线性回归权重偏置

本文链接：https://blog.youkuaiyun.com/gaoyu1253401563/article/details/86008103

使用Tensorflow构建的神经网络对一元二次函数数据进行训练，通过加噪处理的200个数据点，设计包含10个神经元的隐藏层，应用tanh激活函数，最终拟合出非线性回归曲线。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

根据一元二次函数的数据，使用神经网络进行训练，拟合出一元二次函数曲线

在tensorflow下，使用神经网络实现一元二次方程的非线性回归问题，需要进行简单神经网络的设计，

输入层，我们选取在一定范围内随机生成200个数据，对数据进行加噪处理，

中间层（隐藏层）：10个神经元，设置相应的权重、偏置，使用tanh（）函数作为激活函数

输出层：隐藏层的输出进入输出层，经过权重、偏置、最后经过激活函数输出最后输出层的值

代码实现：

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
#使用numpy生成200个随机点,linspace()函数可以生成指定范围内的点，最后列表目的是把数据变成二维数据
x_data = np.linspace(-0.5,0.5,200)[:,np.newaxis]
noise = np.random.normal(0,0.02,x_data.shape)
y_data = np.square(x_data) + noise

#定义两个placeholder(占位符)，规定是1列
x = tf.placeholder(tf.float32,[None,1])
y = tf.placeholder(tf.float32,[None,1])

#使用神经网络进行训练测试

#定义神经网络的中间层（隐藏层）
#权重
Weights_L1 = tf.Variable(tf.random_normal([1,10]))
#偏置
biases_L1 = tf.Variable(tf.zeros([1,10]))
#传入中间层（隐藏层）的值
Wx_plus_b_L1 = tf.matmul(x, Weights_L1) + biases_L1
#由中间层（隐藏层）输出的值,激活函数使用双曲正切函数
L1 = tf.nn.tanh(Wx_plus_b_L1)

#定义神经网络的输出层
Weights_L2 = tf.