import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
plt.rcParams["figure.figsize"]=(14,8)#可视化的时候设置的长和宽
n_observations=100#样本点的个数
xs=np.linspace(-3,3, n_observations)#在-3与3之间取得100个数。
ys=np.sin(xs)+np.random.uniform(-0.5,0.5, n_observations)#sin函数并加一些噪声。
plt.scatter(xs,ys)#绘图
plt.show()
X=tf.placeholder(tf.float32,name="X")
Y=tf.placeholder(tf.float32,name="Y")
#初始化参数和权重
W=tf.Variable(tf.random_normal([1]),name="weight")
b=tf.Variable(tf.random_normal([1]),name="bias")
#计算预测结果
Y_pred=tf.add(tf.multiply(X,W),b)
W_2=tf.Variable(tf.random_normal([1]),name="weight_2")
Y_pred=tf.add(tf.multiply(tf.pow(X,2),W_2),Y_pred)
W_3=tf.Variable(tf.random_normal([1]),name='weight_3')
Y_pred=tf.add(tf.multiply(tf.pow(X,3),W_3),Y_pred)
#计算损失函数值
sample_num=xs.shape[0]
loss=tf.reduce_sum(tf.pow(Y_pred-Y,2))
最后
以上就是缓慢奇异果最近收集整理的关于TensorFlow-多项式回归模型的全部内容,更多相关TensorFlow-多项式回归模型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。
发表评论 取消回复