1.2神经网络实现线性回归
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
随机生成1000个点,围绕在y=0.1x 0.3的直线周围
num_points = 1000
vectors_set = []
for i in range(num_points):
x1 = np.random.normal(0.0, 0.55)
y1 = x1 * 0.1 0.3 np.random.normal(0.0, 0.03)#给这些点加一些抖动
vectors_set.append([x1, y1])
生成一些样本
x_data = [v[0] for v in vectors_set]
y_data = [v[1] for v in vectors_set]
plt.scatter(x_data,y_data,c=‘r’)
plt.show()
生成1维的W矩阵,取值是[-1,1]之间的随机数
W = tf.Variable(tf.random_uniform([1], -1.0, 1.0), name=‘W’)#随机初始化权重参数-1到1之间
生成1维的b矩阵,初始值是0
b = tf.Variable(tf.zeros([1]), name=‘b’)#以0为初始化,[1]表示维度
经过计算得出预估值y
y = W * x_data b#目标函数
以预估值y和实际值y_data之间的均方误差作为损失
loss = tf.reduce_mean(tf.square(y - y_data), name=‘loss’)#reduce_mean平均值
采用梯度下降法来优化参数
optimizer = tf.train.GradientDescentOptimizer(0.5)#学习率大了
训练的过程就是最小化这个误差值
train = optimizer.minimize(loss, name=‘train’)
sess = tf.Session()
init = tf.global_variables_initializer()
sess.run(init)
初始化的W和b是多少
print (“W =”, sess.run(W), “b =”, sess.run(b), “loss =”, sess.run(loss))
执行20次训练
for step in range(20):
sess.run(train)
# 输出训练好的W和b
print (“W =”, sess.run(W), “b =”, sess.run(b), “loss =”, sess.run(loss))
#writer = tf.train.SummaryWriter("./tmp", sess.graph)
plt.scatter(x_data,y_data,c=‘r’)
plt.plot(x_data,sess.run(W)*x_data sess.run(b))
plt.show()
这篇好文章是转载于:学新通技术网
- 版权申明: 本站部分内容来自互联网,仅供学习及演示用,请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系,请提供相关证据及您的身份证明,我们将在收到邮件后48小时内删除。
- 本站站名: 学新通技术网
- 本文地址: /boutique/detail/tanhiaijgi
-
photoshop保存的图片太大微信发不了怎么办
PHP中文网 06-15 -
word里面弄一个表格后上面的标题会跑到下面怎么办
PHP中文网 06-20 -
photoshop扩展功能面板显示灰色怎么办
PHP中文网 06-14 -
《学习通》视频自动暂停处理方法
HelloWorld317 07-05 -
TikTok加速器哪个好免费的TK加速器推荐
TK小达人 10-01 -
Android 11 保存文件到外部存储,并分享文件
Luke 10-12 -
微信公众号没有声音提示怎么办
PHP中文网 03-31 -
excel下划线不显示怎么办
PHP中文网 06-23 -
微信运动停用后别人还能看到步数吗
PHP中文网 07-22 -
excel打印预览压线压字怎么办
PHP中文网 06-22