Tensorflow實戰 非線性回歸

2021-08-28 02:53:39 字數 1673 閱讀 1699

通過過乙個最簡單的神經網路（輸入層乙個神經元，隱藏層10個神經元，輸出層1個神經元）來進行非線性回歸。

import tensorflow as tf


import numpy as np


import matplotlib.pyplot as plt


#使用numpy生成200個隨機點


#從-0.5到0.5生成均勻分布的200個點(一維)增加乙個維度


x_data=np.linspace(-0.5,0.5,200)[:,np.newaxis]


#print(x_data)


#正態分佈均值為0標準差為0.02


noise = np.random.normal(0,0.02,x_data.shape)


#print(noise)


y_data = np.square(x_data)+noise


#print(y_data)


# 定義兩個placeholder


#行不確定1列


x = tf.placeholder(tf.float32,[none,1])


y = tf.placeholder(tf.float32,[none,1])


#定義神經網路中間層10個神經元


weights_l1=tf.variable(tf.random_normal([1,10]))


biases_l1=tf.variable(tf.zeros([1,10]))


wx_plus_b_l1=tf.matmul(x,weights_l1)+biases_l1


#啟用函式（雙曲正弦函式）


l1=tf.nn.tanh(wx_plus_b_l1)


#定義輸出層


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)


#二次代價函式


loss = tf.reduce_mean(tf.square(y-prediction))


#梯度下降法


train_step = tf.train.gradientdescentoptimizer(0.1).minimize(loss)


with tf.session() as sess:


#變數初始化


sess.run(tf.global_variables_initializer())


for _ in range(2000):


sess.run(train_step,feed_dict=)


#獲得**值


prediction_value=sess.run(prediction, feed_dict=)


#畫圖plt.figure()


plt.scatter(x_data,y_data)


plt.plot(x_data,prediction_value,'r-',lw=5)


plt.show()
結果

tensorflow實現非線性擬合

import tensorflow as tf import numpy as np import matplotlib.pyplot as plt x data np.linspace 0.5,0.5,200 np.newaxis 使得維度為 200,1 noise np.random.norma...

tensorflow非線性回歸

該程式有輸入層，中間層和輸出層 執行環境 ubuntun menpo queen queen x550ld downloads py python nonliner regression.py coding utf 8 定義乙個神經網路 輸入層乙個元素，中間層10個神經元，輸出層1個元素 impor...

Tensorflow 線性回歸與非線性回歸

二次代價函式 均方差 神經網路 1 20 1 w1 tf.variable tf.random normal 1 20 b1 tf.variable tf.zeros 20 wxplus1 tf.matmul x,w1 b1 l1 tf.nn.tanh wxplus1 w2 tf.variable ...