我是靠谱客的博主 悦耳小兔子,这篇文章主要介绍Tensorflow深度学习笔记(四)-利用神经网络预测非线性回归示例,现在分享给大家,希望可以做个参考。

本文主要分享一个利用神经网络来预测非线性回归的示例。

首先,定义生成我们的测试数据,即y_data = np.square(x_data) + noise,通过x_data的平方再加上噪声来生成y_data.

然后,利用神经网络,将x_data作为输入,得到预测值。然后让预测值与y_data做比较,使其差异最小。

x_data ==>神经网络中间层==>神经网络输出层==>预测值

复制代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
import tensorflow as tf import numpy as np import matplotlib.pyplot as plt # 使用numpy生成200个随机点,从-0.5到0.5生成200个点 x_data = np.linspace(-0.5, 0.5, 200)[:, np.newaxis]#转成二维数据 noise = np.random.normal(0, 0.02, x_data.shape)#生成随机噪声 y_data = np.square(x_data) + noise # 定义placeholder x = tf.placeholder(tf.float32, [None, 1])#行不确定,只有一列 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]))#1行10列 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) # 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) #损失函数 loss = tf.reduce_mean(tf.square(y - prediction)) # 使用梯度下降法训练 train_step = tf.train.GradientDescentOptimizer(0.3).minimize(loss) with tf.Session() as sess: # 变量初始化 sess.run(tf.global_variables_initializer()) for _ in range(2001): sess.run(train_step, feed_dict={x: x_data, y: y_data}) print(Weights_L1,biases_L1) print(Weights_L2, biases_L2) # 获得预测值 prediction_value = sess.run(prediction, feed_dict={x: x_data}) # 画图 plt.figure() plt.scatter(x_data, y_data)#样本点 plt.plot(x_data, prediction_value, 'r-', lw=5)#红色,实线,线宽5 plt.show()

转载请注明出处,Juyin@2017/11/30

最后

以上就是悦耳小兔子最近收集整理的关于Tensorflow深度学习笔记(四)-利用神经网络预测非线性回归示例的全部内容,更多相关Tensorflow深度学习笔记(四)-利用神经网络预测非线性回归示例内容请搜索靠谱客的其他文章。

本图文内容来源于网友提供,作为学习参考使用,或来自网络收集整理,版权属于原作者所有。
点赞(69)

评论列表共有 0 条评论

立即
投稿
返回
顶部