TensorFlow1.x入门（5）——构建非线性回归模型

最新推荐文章于 2024-07-02 10:55:05 发布

技术宅zch

最新推荐文章于 2024-07-02 10:55:05 发布

阅读量2k

点赞数 6

CC 4.0 BY-SA版权

分类专栏： TensorFlow 文章标签： tensorflow 深度学习 python 自然语言处理

本文链接：https://blog.csdn.net/qq_19672707/article/details/105542426

本文详细介绍如何使用TensorFlow构建非线性回归模型，包括数据生成、模型搭建、训练及预测全过程。通过具体实例，展示如何利用激活函数、优化器等关键组件实现模型训练，并最终绘制出预测结果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

系列文章

本教程有同步的github地址

8. 手动调整学习率与TensorBoard

9. 卷积神经网络（CNN）

10. 循环神经网络（RNN）

11. 模型的保存与恢复

知识点

np.linsapce(-0.5, 0.5, 200)生成从-0.5到0.5的均匀分布的200个数据点。包含首尾
numpy中花式索引的一个实例——数据升维，即原来是1维的数据列表，经过升维后形成每个数值为1维列表的2为列表。结果类似如下：

[1, 2, 3, 4] ==> [[1], [2], [3]]

arr = arr[:, np.newaxis]

np.random.normal(mean, stddev, shape)用于生成一个随机正态分布（高斯分布）的数据，正态分布的均值为mean，方差为stddev，数据的维度为shape。
tf.random_normal([1,10])在tensorflow中形成[1,10 ]大小的张量，数据服从高斯分布。默认的均值为0，方差为0.1。
tf.nn.tanh()是激活函数，图形类似于sigmod，但是tanh比sigmod更陡。
tf.global_variables_initializer()初始化整个计算图中的变量。

示例

#%% md
# 回归模型
#%%
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as p

最低0.47元/天解锁文章

200万优质内容无限畅学