TensorFlow入門篇 二 線性回歸

2021-09-01 23:59:56 字數 1617 閱讀 9851

理論知識:

環境:python 3.7

tensorflow 1.12

numpy 1.15.4

**:

import tensorflow as tf

import numpy as np

import matplotlib.pyplot as plt

# 生成帶有雜訊的隨機點

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

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

y_data = np.square(x_data) + noise

# 定義兩個placeholder

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

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

# 定義神經網路中間層

weight_1 = tf.variable(tf.random.normal([1, 10]))

biase_1 = tf.variable(tf.zeros([1, 10]))

out_z1 = tf.matmul(x, weight_1) + biase_1

l1 = tf.nn.tanh(out_z1) # 啟用函式

# 定義神經網路輸出層

weight_2 = tf.variable(tf.random.normal([10, 1]))

biase_2 = tf.variable(tf.zeros(1, 1))

out_z2 = tf.matmul(l1, weight_2) + biase_2

prediction = tf.nn.tanh(out_z2) # 啟用函式

# 定義損失函式

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

# 定義神經網路訓練方法

train_step = tf.train.gradientdescentoptimizer(0.6).minimize(loss)

with tf.session() as sess:

sess.run(tf.global_variables_initializer())

for _ in range(500):

sess.run(train_step, feed_dict=)

# 獲得最新**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:

BREW SDK入門篇(二)

在第一部分,所有的必須專案設定都是由brew應用程式嚮導來管理。但我們仍然需要提供乙個可執行檔案以便在除錯階段執行.dll檔案,同時還要確保brew能夠找到應用程式的.dll檔案。為了滿足第乙個要求,我們需要為brew emulator.exe提供路徑。為了滿足第二個要求,我們要確保鏈結程式將hel...

BREW SDK入門篇(二)

在第一部分,所有的必須專案設定都是由brew應用程式嚮導來管理。但我們仍然需要提供乙個可執行檔案以便在除錯階段執行.dll檔案,同時還要確保brew能夠找到應用程式的.dll檔案。為了滿足第乙個要求,我們需要為brew emulator.exe提供路徑。為了滿足第二個要求,我們要確保鏈結程式將hel...

Jenkins 入門篇(二)

昨夜西風凋碧樹,獨上高樓,望盡天涯路 官網原文 前面我們注意到了jenkins的agent命令。該命令告訴jenkins在 以及如何執行pipeline。agent對於所有的pipeline都是必須的。agent確保了所有的steps中的 塊排隊執行。jenkins在執行指令碼的時候會存在乙個執行器...