Tensorflow实现神经网络拟合线性回归_神经网络线性回归 - CSDN文库

66 浏览量更新于2023-03-16 评论收藏 52KB PDF 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源评论

资源推荐

Tensorflow实现神经网络拟合线性回归实现神经网络拟合线性回归

主要为大家详细介绍了Tensorflow实现神经网络拟合线性回归，具有一定的参考价值，感兴趣的小伙伴们可以参

考一下

本文实例为大家分享了Tensorflow实现神经网络拟合线性回归的具体代码，供大家参考，具体内容如下

一、利用简单的一层神经网络拟合一个函数 y = x^2 ，其中加入部分噪声作为偏置值防止拟合曲线过拟合

import tensorflow as tf

import numpy as np

import matplotlib.pyplot as plt

# 生成-0.5到0.5间均匀发布的200个点，将数据变为二维，200行一列的数据

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

# 生成一些噪音数据

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

# 定义y与x的关系

y_data = np.square(x_data) + noise

# 定义两个占位符

x = tf.placeholder(tf.float32, [None, 1]) # 形状为n行1列，同x_data的shape

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

# 定义神经网络

# 定义中间层，因为每个x是一维，所以只需1个神经元，定义中间层的连接神经元是10

# 矩阵：[a, b]×[b, c] = [a, c]

L1_weights = tf.Variable(tf.random_normal([1, 10]))

L1_bias = tf.Variable(tf.zeros([1, 10]))

L1_weights_bias = tf.matmul(x, L1_weights) + L1_bias

L1 = tf.nn.tanh(L1_weights_bias)

# 定义输出层，每个x只有一个神经元

L2_weights = tf.Variable(tf.random_normal([10, 1]))

L2_bias = tf.Variable(tf.zeros([1, 1]))

L2_weights_bias = tf.matmul(L1, L2_weights) + L2_bias

L2 = tf.nn.tanh(L2_weights_bias)

# 定义损失函数

loss = tf.reduce_mean(tf.square(y - L2))

# 梯度下降最小化损失函数

optimizer = tf.train.GradientDescentOptimizer(0.1)

train_step = optimizer.minimize(loss)

# 全局变量初始化

init = tf.global_variables_initializer()

# 定义会话

with tf.Session() as sess:

sess.run(init)

for _ in range(2000):

sess.run(train_step, feed_dict={x:x_data, y:y_data})

# 获取预测值

predict = sess.run(L2, feed_dict={x:x_data})

# 画图

plt.figure()

# 画出散点

plt.scatter(x_data, y_data)

# 画出拟合的曲线

plt.plot(x_data, predict)

plt.show()

二、代码运行效果如下：

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余1页未读，立即下载

评论0

weixin_38734269

粉丝: 3
资源: 930

会员权益专享

图片转文字

全年可省5，000元立即开通

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈