【tf系列5】tf-Demo

最新推荐文章于 2025-09-14 21:43:36 发布

原创最新推荐文章于 2025-09-14 21:43:36 发布 · 410 阅读

0 ·

CC 4.0 BY-SA版权

深度学习专栏收录该内容

6 篇文章

订阅专栏

本文通过TensorFlow实现了一个简单的神经网络，用于拟合一元二次方程。网络包含一个隐藏层，并使用梯度下降法进行训练，最终能够准确地逼近目标函数。

部署运行你感兴趣的模型镜像

import tensorflow as tf
import numpy as np
import os

"""神经网络Demo，构造一个一元二次方程y=ax^2+b"""

"""构造一个-1到1之间300个点，并将其转化为300×1的二维数组"""
x_data=np.linspace(-1,1,300)[:,np.newaxis]

"""加入一些噪声点，使它与x_data具有相同的维度，拟合均值为0，方差为0.05的正态分布"""
noise=np.random.normal(0,0.05,x_data.shape)
"""y=ax^2-0.5 +噪声"""
y_data=np.square(x_data)-0.5+noise

"""定义x和y作为占位符作为将要输入神经网络的变量"""
xs=tf.placeholder(tf.float32,[None,1])
ys=tf.placeholder(tf.float32,[None,1])

"""
:param
inputs: 输入数据
in_size:输入维度
out_size:输出维度
activation_function：激活函数

"""
def add_layer(inputs,in_size,out_size,activation_function=None):
    """构造权重:in_size×out_size大小的矩阵"""
    weigths=tf.Variable(tf.random_normal([in_size,out_size]))
    """构造偏置:1×out_size矩阵"""
    biases=tf.Variable(tf.zeros([1,out_size])+0.1)
    """矩阵相乘"""
    wx_plus_b=tf.matmul(inputs,weigths)+biases
    if activation_function is None:
        outputs=wx_plus_b
    else:
        outputs=activation_function(wx_plus_b)
    return outputs

"""隐藏层"""
h1=add_layer(xs, 1, 20, activation_function=tf.nn.relu)
"""输出层：有一个神经元"""
prediction=add_layer(h1, 20, 1, activation_function=None)
"""定义损失函数：计算输出层的预测值和真实值间的误差，对二者差的平方求和再取平均，得到损失函数"""
loss=tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1]))
"""运用梯度下降法，以0.1的学习速率最小化损失"""
train_step=tf.train.GradientDescentOptimizer(0.1).minimize(loss)
"""初始化所有变量"""
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
"""训练100次，每隔50次输出训练的损失值"""
for i in range(100):
    sess.run(train_step, feed_dict={xs: x_data, ys: y_data})
    if i % 10 == 0:
        print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))