python進(jìn)階TensorFlow神經(jīng)網(wǎng)絡(luò)擬合線性及非線性函數(shù)
更新時(shí)間：2021年10月16日 11:58:47 作者：_睿智_
這篇文章是python進(jìn)階學(xué)習(xí)主要介紹了TensorFlow神經(jīng)網(wǎng)絡(luò)擬合線性及非線性函數(shù)原理及示例解析，有需要的朋友可以借鑒參考下，希望能夠有所幫助
一、擬合線性函數(shù)
學(xué)習(xí)率0.03，訓(xùn)練1000次：
學(xué)習(xí)率0.05，訓(xùn)練1000次：
學(xué)習(xí)率0.1，訓(xùn)練1000次：
可以發(fā)現(xiàn)，學(xué)習(xí)率為0.05時(shí)的訓(xùn)練效果是最好的。
生成隨機(jī)坐標(biāo)
1、生成x坐標(biāo)
2、生成隨機(jī)干擾
3、計(jì)算得到y(tǒng)坐標(biāo)
4、畫點(diǎn)
# 生成隨機(jī)點(diǎn)
def Produce_Random_Data():
global x_data, y_data
# 生成x坐標(biāo)
x_data = np.random.rand(100)
# 生成隨機(jī)干擾
noise = np.random.normal(0, 0.01, x_data.shape)
# 均值 標(biāo)準(zhǔn)差 輸出的形狀
# 計(jì)算y坐標(biāo)
y_data = 0.2 * x_data + 0.3 + noise
# 畫點(diǎn)
plt.scatter(x_data, y_data)
神經(jīng)網(wǎng)絡(luò)擬合
1、創(chuàng)建神經(jīng)網(wǎng)絡(luò)
2、設(shè)置優(yōu)化器與損失函數(shù)
3、訓(xùn)練（根據(jù)已有數(shù)據(jù)）
4、預(yù)測（給定橫坐標(biāo)，預(yù)測縱坐標(biāo)）
# 創(chuàng)建神經(jīng)網(wǎng)絡(luò)（訓(xùn)練及預(yù)測）
def Neural_Network():
# 1 創(chuàng)建神經(jīng)網(wǎng)絡(luò)
model = tf.keras.Sequential()
# 為神經(jīng)網(wǎng)絡(luò)添加層
model.add(tf.keras.layers.Dense(units=1, input_dim=1))
# 隱藏層 神經(jīng)元個(gè)數(shù) 輸入神經(jīng)元個(gè)數(shù)
# 2 設(shè)置優(yōu)化器與損失函數(shù)
model.compile(optimizer=SGD(0.05), loss='mse')
# 優(yōu)化器 學(xué)習(xí)率0.05 損失函數(shù)
# SGD：隨機(jī)梯度下降法
# mse：均方誤差
# 3 訓(xùn)練
for i in range(1000):
# 訓(xùn)練數(shù)據(jù)并返回?fù)p失
loss = model.train_on_batch(x_data, y_data)
# print(loss)
# 4 預(yù)測
y_pred = model.predict(x_data)
# 5 顯示預(yù)測結(jié)果（擬合線）
plt.plot(x_data, y_pred, 'r-', lw=3) #lw:線條粗細(xì)
代碼
# 擬合線性函數(shù)
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
from tensorflow.keras.optimizers import SGD
# 生成隨機(jī)點(diǎn)
def Produce_Random_Data():
global x_data, y_data
# 生成x坐標(biāo)
x_data = np.random.rand(100)
# 生成隨機(jī)干擾
noise = np.random.normal(0, 0.01, x_data.shape)
# 均值 標(biāo)準(zhǔn)差 輸出的形狀
# 計(jì)算y坐標(biāo)
y_data = 0.2 * x_data + 0.3 + noise
# 畫點(diǎn)
plt.scatter(x_data, y_data)
# 創(chuàng)建神經(jīng)網(wǎng)絡(luò)（訓(xùn)練及預(yù)測）
def Neural_Network():
# 1 創(chuàng)建神經(jīng)網(wǎng)絡(luò)
model = tf.keras.Sequential()
# 為神經(jīng)網(wǎng)絡(luò)添加層
model.add(tf.keras.layers.Dense(units=1, input_dim=1))
# 隱藏層 神經(jīng)元個(gè)數(shù) 輸入神經(jīng)元個(gè)數(shù)
# 2 設(shè)置優(yōu)化器與損失函數(shù)
model.compile(optimizer=SGD(0.05), loss='mse')
# 優(yōu)化器 學(xué)習(xí)率0.05 損失函數(shù)
# SGD：隨機(jī)梯度下降法
# mse：均方誤差
# 3 訓(xùn)練
for i in range(1000):
# 訓(xùn)練數(shù)據(jù)并返回?fù)p失
loss = model.train_on_batch(x_data, y_data)
# print(loss)
# 4 預(yù)測
y_pred = model.predict(x_data)
# 5 顯示預(yù)測結(jié)果（擬合線）
plt.plot(x_data, y_pred, 'r-', lw=3) #lw:線條粗細(xì)
# 1、生成隨機(jī)點(diǎn)
Produce_Random_Data()
# 2、神經(jīng)網(wǎng)絡(luò)訓(xùn)練與預(yù)測
Neural_Network()
plt.show()
二、擬合非線性函數(shù)
第一層10個(gè)神經(jīng)元：
第一層5個(gè)神經(jīng)元：
我感覺第一層5個(gè)神經(jīng)元反而訓(xùn)練效果比10個(gè)的好。。。
生成二次隨機(jī)點(diǎn)
步驟：
1、生成x坐標(biāo)
2、生成隨機(jī)干擾
3、計(jì)算y坐標(biāo)
4、畫散點(diǎn)圖
# 生成隨機(jī)點(diǎn)
def Produce_Random_Data():
global x_data, y_data
# 生成x坐標(biāo)
x_data = np.linspace(-0.5, 0.5, 200)[:, np.newaxis]
# 增加一個(gè)維度
# 生成噪聲
noise = np.random.normal(0, 0.02, x_data.shape)
# 均值 方差
# 計(jì)算y坐標(biāo)
y_data = np.square(x_data) + noise
# 畫散點(diǎn)圖
plt.scatter(x_data, y_data)
神經(jīng)網(wǎng)絡(luò)擬合
步驟：
1、創(chuàng)建神經(jīng)網(wǎng)絡(luò)
2、設(shè)置優(yōu)化器及損失函數(shù)
3、訓(xùn)練（根據(jù)已有數(shù)據(jù)）
4、預(yù)測（給定橫坐標(biāo)，預(yù)測縱坐標(biāo)）
5、畫圖
# 神經(jīng)網(wǎng)絡(luò)擬合（訓(xùn)練及預(yù)測）
def Neural_Network():
# 1 創(chuàng)建神經(jīng)網(wǎng)絡(luò)
model = tf.keras.Sequential()
# 添加層
# 注：input_dim(輸入神經(jīng)元個(gè)數(shù))只需要在輸入層重視設(shè)置，后面的網(wǎng)絡(luò)可以自動(dòng)推斷出該層的對(duì)應(yīng)輸入
model.add(tf.keras.layers.Dense(units=5, input_dim=1, activation='tanh'))
# 神經(jīng)元個(gè)數(shù) 輸入神經(jīng)元個(gè)數(shù) 激活函數(shù)
model.add(tf.keras.layers.Dense(units=1, activation='tanh'))
# 2 設(shè)置優(yōu)化器和損失函數(shù)
model.compile(optimizer=SGD(0.3), loss='mse')
# 優(yōu)化器 學(xué)習(xí)率 損失函數(shù)(均方誤差)
# 3 訓(xùn)練
for i in range(3000):
# 訓(xùn)練一次數(shù)據(jù)，返回loss
loss = model.train_on_batch(x_data, y_data)
# 4 預(yù)測
y_pred = model.predict(x_data)
# 5 畫圖
plt.plot(x_data, y_pred, 'r-', lw=5)
代碼
# 擬合非線性函數(shù)
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
from tensorflow.keras.optimizers import SGD
# 生成隨機(jī)點(diǎn)
def Produce_Random_Data():
global x_data, y_data
# 生成x坐標(biāo)
x_data = np.linspace(-0.5, 0.5, 200)[:, np.newaxis]
# 增加一個(gè)維度
# 生成噪聲
noise = np.random.normal(0, 0.02, x_data.shape)
# 均值 方差
# 計(jì)算y坐標(biāo)
y_data = np.square(x_data) + noise
# 畫散點(diǎn)圖
plt.scatter(x_data, y_data)
# 神經(jīng)網(wǎng)絡(luò)擬合（訓(xùn)練及預(yù)測）
def Neural_Network():
# 1 創(chuàng)建神經(jīng)網(wǎng)絡(luò)
model = tf.keras.Sequential()
# 添加層
# 注：input_dim(輸入神經(jīng)元個(gè)數(shù))只需要在輸入層重視設(shè)置，后面的網(wǎng)絡(luò)可以自動(dòng)推斷出該層的對(duì)應(yīng)輸入
model.add(tf.keras.layers.Dense(units=5, input_dim=1, activation='tanh'))
# 神經(jīng)元個(gè)數(shù) 輸入神經(jīng)元個(gè)數(shù) 激活函數(shù)
model.add(tf.keras.layers.Dense(units=1, activation='tanh'))
# 輸出神經(jīng)元個(gè)數(shù)
# 2 設(shè)置優(yōu)化器和損失函數(shù)
model.compile(optimizer=SGD(0.3), loss='mse')
# 優(yōu)化器 學(xué)習(xí)率 損失函數(shù)(均方誤差)
# 3 訓(xùn)練
for i in range(3000):
# 訓(xùn)練一次數(shù)據(jù)，返回loss
loss = model.train_on_batch(x_data, y_data)
# 4 預(yù)測
y_pred = model.predict(x_data)
# 5 畫圖
plt.plot(x_data, y_pred, 'r-', lw=5)
# 1、生成隨機(jī)點(diǎn)
Produce_Random_Data()
# 2、神經(jīng)網(wǎng)絡(luò)訓(xùn)練與預(yù)測
Neural_Network()
plt.show()
以上就是python進(jìn)階TensorFlow神經(jīng)網(wǎng)絡(luò)擬合線性及非線性函數(shù)的詳細(xì)內(nèi)容，更多關(guān)于TensorFlow神經(jīng)網(wǎng)絡(luò)擬合線性及非線性函數(shù)的資料請關(guān)注腳本之家其它相關(guān)文章！
您可能感興趣的文章:
相關(guān)文章
這篇文章主要介紹了Python更改pip鏡像源的方法示例，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2020-12-12
Tesseract 是一個(gè)OCR 庫，目前由Google 贊助（Google 也是一家以O(shè)CR 和機(jī)器學(xué)習(xí)技術(shù)聞名于世的公司）。這篇文章主要介紹了Python圖像處理之圖片文字識(shí)別功能 OCR的相關(guān)知識(shí),需要的朋友可以參考下2019-07-07
這篇文章主要介紹了python 批量解壓壓縮文件的實(shí)例代碼，代碼簡單易懂，非常不錯(cuò)，具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2019-06-06
python實(shí)現(xiàn)simhash算法實(shí)例
這篇文章主要介紹了python實(shí)現(xiàn)simhash算法實(shí)例,需要的朋友可以參考下2014-04-04
詳解用python寫網(wǎng)絡(luò)爬蟲-爬取新浪微博評(píng)論
這篇文章主要介紹了python爬取新浪微博評(píng)論，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2019-05-05
這篇文章主要介紹了將Django框架和遺留的Web應(yīng)用集成的方法,Django是Python百花齊放的web開發(fā)框架中人氣最高的一個(gè),需要的朋友可以參考下2015-07-07
今天小編就為大家分享一篇python 調(diào)用釘釘機(jī)器人的方法，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2019-02-02
Python如何實(shí)現(xiàn)守護(hù)進(jìn)程的方法示例
護(hù)進(jìn)程：通常被定義為一個(gè)后臺(tái)進(jìn)程，而且它不屬于任何一個(gè)終端會(huì)話(terminal session)。許多系統(tǒng)服務(wù)由守護(hù)程序?qū)嵤?；如網(wǎng)絡(luò)服務(wù)，打印等。 下面這篇文章給大家分享了Python是如何實(shí)現(xiàn)守護(hù)進(jìn)程的方法示例,需要的朋友可以參考借鑒。2017-02-02
獵詞（word hunt）是一類很常見的游戲，給你一張字母組成的表，然后讓你在這些字母中盡可能多的去尋找單詞。這類游戲用字典樹就能輕松完成，本文就來具體講講實(shí)現(xiàn)步驟，需要的可以參考一下2022-06-06
pandas or sql計(jì)算前后兩行數(shù)據(jù)間的增值方法
下面小編就為大家分享一篇pandas or sql計(jì)算前后兩行數(shù)據(jù)間的增值方法，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2018-04-04