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...