TensorFlow實現線性回歸

import tensorflow as tf

import numpy as np
import matplotlib.pyplot as plt

通過隨機生成的x求出對應的y值，可以自己指定求出y值的方法，主要是使x和y有對應的關係

# 使用mumpy生成200個隨機點

x_data = np.linspace(-0.5, 0.5, 200)[:, np.newaxis]  # 使得維度為[200,1]
noise = np.random.normal(0, 0.02, x_data.shape)  # 維度為[200, 1]高斯分布的資料
y_data = np.square(x_data) + noise

# 定義權重和偏置第一層

w1 = tf.variable(tf.random.normal([1, 10],dtype=x_data.dtype))
b1 = tf.variable(tf.zeros([1, 10], dtype=x_data.dtype))
# 定義輸出
w2 = tf.variable(tf.random.normal([10, 1], dtype=x_data.dtype))
b2 = tf.variable(tf.zeros([1, 1], dtype=x_data.dtype))

可以試著改變一下超引數，對比不同的引數訓練的結果是什麼樣的

# 定義超引數

epochs = 1000  # 訓練次數
lr = 0.1
train_loss_results =   # 訓練損失結果列表，用來畫圖展示

for epoch in range(epochs):

with tf.gradienttape() as tape:  # 記錄梯度資訊
y1 = tf.matmul(x_data, w1) + b1
l1 = tf.nn.tanh(y1)  # 使用tanh啟用函式，使得結果都為正數
y2 = tf.matmul(l1, w2) + b2
l2 = tf.nn.tanh(y2)  # 使用tanh啟用函式
# 使用均方誤差求損失值
loss = tf.reduce_mean(tf.square(y_data - l2))
# 計算梯度下降的方向
				
TensorFlow 實現Softmax 回歸模型
importtensorflowastf importnumpyasnp importtensorflow.examples.tutorials.mnist.input dataasinput data mnist input data.read data sets mnist data one h...
				
tensorflow實現softmax回歸函式
softmax函式可以把多個值歸一化到 0，1 區間中，以實現分類等問題 輸出 5 dtype float32,numpy array 0.1738882 0.7230672,0.8248408,0.8263163 1.5385914 1.3104331 0.91867334 1.5094105,0...
				
TensorFlow 線性回歸實現
usr bin env python3 coding utf 8 import numpy as np import tensorflow as tf import matplotlib.pyplot as plt if name main 給引數賦值 learning rate 0.01 trai...