tensorflow（非线性回归）

最新推荐文章于 2020-08-01 14:12:35 发布

原创最新推荐文章于 2020-08-01 14:12:35 发布 · 155 阅读

0 ·

CC 4.0 BY-SA版权

tensorflow 专栏收录该内容

5 篇文章

订阅专栏

本文详细介绍如何使用TensorFlow和Python构建并训练一个简单的神经网络，以预测随机生成数据的平方值。通过调整隐藏层参数和优化算法，展示神经网络的学习过程，并利用matplotlib进行结果可视化。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import os
# os.environ["TF_CPP_MIN_LOG_LEVEL"]='1' # 这是默认的显示等级，显示所有信息
os.environ["TF_CPP_MIN_LOG_LEVEL"]='2' # 只显示 warning 和 Error
# os.environ["TF_CPP_MIN_LOG_LEVEL"]='3' # 只显示 Error


import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

# 生成二百个随即点
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
# plt.plot(x_data,y_data)
# plt.show()

# 定义两个placeholder
x = tf.placeholder(tf.float32,[None,1])
y = tf.placeholder(tf.float32,[None,1])

#定义神经网络的中间层
Weight_L1 = tf.Variable(tf.random_normal([1,10]))
biases_L1 = tf.Variable(tf.zeros([1,10])) #偏置的总和
Wx_plus_b_L1 = tf.matmul(x,Weight_L1) + biases_L1

L1 = tf.nn.tanh(Wx_plus_b_L1)

#定义输出层
Weight_L2 = tf.Variable(tf.random_normal([10,1]))
biases_L2 = tf.Variable(tf.zeros([1,1]))
Wx_plus_b_L2 = tf.matmul(L1,Weight_L2) + biases_L2

prediction = tf.nn.tanh(Wx_plus_b_L2)
#二次代价函数
loss = tf.reduce_mean(tf.square(y - prediction))
# 梯度下降
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for _ in range(2000):
        sess.run(train_step,feed_dict={x:x_data,y:y_data})
        # 获得预测值
    prediction_value = sess.run(prediction,feed_dict={x:x_data})
        # 画图
    plt.figure()
    plt.scatter(x_data,y_data)
    plt.plot(x_data,prediction_value,'r-',lw = 5)
    plt.show()