首页 > 代码库 > 06 使用Tensorflow拟合x与y之间的关系
06 使用Tensorflow拟合x与y之间的关系
看代码:
import tensorflow as tf import numpy as np #构造输入数据(我们用神经网络拟合x_data和y_data之间的关系) x_data = http://www.mamicode.com/np.linspace(-1,1,300)[:, np.newaxis] #-1到1等分300份形成的二维矩阵 noise = np.random.normal(0,0.05, x_data.shape) #噪音,形状同x_data在0-0.05符合正态分布的小数 y_data = http://www.mamicode.com/np.square(x_data)-0.5+noise #x_data平方,减0.05,再加噪音值 #输入层(1个神经元) xs = tf.placeholder(tf.float32, [None, 1]) #占位符,None表示n*1维矩阵,其中n不确定 ys = tf.placeholder(tf.float32, [None, 1]) #占位符,None表示n*1维矩阵,其中n不确定 #隐层(10个神经元) W1 = tf.Variable(tf.random_normal([1,10])) #权重,1*10的矩阵,并用符合正态分布的随机数填充 b1 = tf.Variable(tf.zeros([1,10])+0.1) #偏置,1*10的矩阵,使用0.1填充 Wx_plus_b1 = tf.matmul(xs,W1) + b1 #矩阵xs和W1相乘,然后加上偏置 output1 = tf.nn.relu(Wx_plus_b1) #激活函数使用tf.nn.relu #输出层(1个神经元) W2 = tf.Variable(tf.random_normal([10,1])) b2 = tf.Variable(tf.zeros([1,1])+0.1) Wx_plus_b2 = tf.matmul(output1,W2) + b2 output2 = Wx_plus_b2 #损失 loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-output2),reduction_indices=[1])) #在第一维上,偏差平方后求和,再求平均值,来计算损失 train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) # 使用梯度下降法,设置步长0.1,来最小化损失 #初始化 init = tf.global_variables_initializer() #初始化所有变量 sess = tf.Session() sess.run(init) #变量初始化 #训练 for i in range(1000): #训练1000次 _,loss_value = http://www.mamicode.com/sess.run([train_step,loss],feed_dict={xs:x_data,ys:y_data}) #进行梯度下降运算,并计算每一步的损失 if(i%50==0): print(loss_value) # 每50步输出一次损失
输出:
0.405348
0.00954485
0.0068925
0.00551958
0.00471453
0.00425206
0.00400382
0.00381883
0.00367445
0.00353349
0.00341325
0.00330487
0.00321128
0.00313468
0.0030646
0.0030014
0.00294802
0.00290179
0.0028618
0.00282344
可以看到,随机训练的进行,损失越来越小,证明拟合越来越好。
参考资料:
《Tensorflow 自带可视化Tensorboard使用方法 附项目代码》:http://blog.csdn.net/jerry81333/article/details/53004903
《tensorflow学习(六):tensorflow中的tf.reduce_mean()这类函数》:http://blog.csdn.net/qq_32166627/article/details/52734387
06 使用Tensorflow拟合x与y之间的关系
声明:以上内容来自用户投稿及互联网公开渠道收集整理发布,本网站不拥有所有权,未作人工编辑处理,也不承担相关法律责任,若内容有误或涉及侵权可进行投诉: 投诉/举报 工作人员会在5个工作日内联系你,一经查实,本站将立刻删除涉嫌侵权内容。