TensorFlow实现一元线性模型

最新推荐文章于 2024-12-05 00:00:00 发布

zhqh100

最新推荐文章于 2024-12-05 00:00:00 发布

阅读量436

点赞数

CC 4.0 BY-SA版权

分类专栏： TensorFlow

本文链接：https://blog.youkuaiyun.com/zhqh100/article/details/78076244

TensorFlow 专栏收录该内容

48 篇文章

订阅专栏

本文通过TensorFlow实现了一元二次方程的拟合过程，并详细介绍了如何构建神经网络模型来逼近给定的数据。文章还解释了损失函数的概念及其在训练过程中的作用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文为学习 http://studyai.com/blog/article/detail/12d4fa58a09341bd9b1cc9df82762eb5 的笔记

源代码可直接参考上面链接，本文不再粘贴，

执行上面代码需要安装如下依赖：

pip3 install matplotlib

sudo apt install python3-tk

这里有一个损失函数的概念（loss function），当然在琢磨之后或使用几次也是能搞清楚这个函数是啥意思的，初次接触可能是有点迷惑；我觉得说的更简单一点就是“扣分规则函数”，就是如果计算结果和预期的完全一致，则扣分为0，这是终极目的，虽然大部分情况下不可能达到，但是我们的目的也依旧是希望该函数的计算结果越小越好，而损失函数其实是设计了一个扣分标准，比如语数英理化生几门课，制定规则哪门课占的比重大一些，用损失函数告诉计算机，数学的权重要比生物的权重高等，而我们不关注政治成绩；这是个人理解，不知道有没有把该概念说清楚。

下面附上《TensorFlow技术解析与实战.李嘉璇》的第8章的代码

import tensorflow as tf
import numpy as np

# 构造满足一元二次方程的函数
x_data = np.linspace(-1, 1, 300)[:, np.newaxis]
# 为了使点更密一些,我们构建了 300 个点,分布在 -1 到 1 区间,直接采用 np 生成等差数列的方法,
# 并将结果为 300 个点的一维数组,转换为 300 × 1 的二维数组
noise = np.random.normal(0, 0.05, x_data.shape)
# 加入一些噪声点,使它与 x_data 的维度一致,并且拟合为均值为 0 、方差为 0.05 的正态分布
y_data = np.square(x_data) - 0.5 + noise
# y = x^2 – 0.5 + 噪声接下来定义 x 和 y 的占位符来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])


def add_layer(inputs, in_size, out_size, activation_function=None):
    # 构建权重: in_size × out_size 大小的矩阵
    weights = tf.Variable(tf.random_normal([in_size, out_size]))
    # 构建偏置: 1 × out_size 的矩阵
    biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)
    # 矩阵相乘
    Wx_plus_b = tf.matmul(inputs, weights) + biases
    if activation_function is None:
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b)
    return outputs  # 得到输出数据


# 构建隐藏层,假设隐藏层有 10 个神经元
h1 = add_layer(xs, 1, 20, activation_function=tf.nn.relu)
# 构建输出层,假设输出层和输入层一样,有 1 个神经元
prediction = add_layer(h1, 20, 1, activation_function=None)
# 计算预测值和真实值间的误差
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),
                                    reduction_indices=[1]))
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

init = tf.global_variables_initializer()  # 初始化所有变量
sess = tf.Session()
sess.run(init)
for i in range(1000):  # 训练 1000 次
    sess.run(train_step, feed_dict={xs: x_data, ys: y_data})
    if i % 50 == 0:  # 每 50 次打印出一次损失值
        print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))