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)元個數(shù) 輸入神經(jīng)元個數(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)元個數(shù) 輸入神經(jīng)元個數(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個神經(jīng)元：
第一層5個神經(jīng)元：
我感覺第一層5個神經(jīng)元反而訓(xùn)練效果比10個的好。。。
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)可以自動推斷出該層的對應(yīng)輸入
model.add(tf.keras.layers.Dense(units=5, input_dim=1, activation='tanh'))
# 神經(jīng)元個數(shù) 輸入神經(jīng)元個數(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)可以自動推斷出該層的對應(yīng)輸入
model.add(tf.keras.layers.Dense(units=5, input_dim=1, activation='tanh'))
# 神經(jīng)元個數(shù) 輸入神經(jīng)元個數(shù) 激活函數(shù)
model.add(tf.keras.layers.Dense(units=1, activation='tanh'))
# 輸出神經(jīng)元個數(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！
相關(guān)文章
這篇文章主要介紹了python獲取當(dāng)前日期和時間的方法,涉及Python操作日期與時間的相關(guān)技巧,非常具有實(shí)用價值,需要的朋友可以參考下2015-04-04
Python系統(tǒng)公網(wǎng)私網(wǎng)流量監(jiān)控實(shí)現(xiàn)流程
這篇文章主要介紹了Python系統(tǒng)公網(wǎng)私網(wǎng)流量監(jiān)控實(shí)現(xiàn)流程,文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友可以參考下2020-11-11
這篇文章主要介紹了python 瀑布線指標(biāo)編寫實(shí)例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-06-06
這篇文章主要介紹了教你使用Python寫一個簡單的JSONParser,它的整個效果，有點(diǎn)類似于 python 標(biāo)準(zhǔn)庫 json 的 json.load() 方法,需要的朋友可以參考下2023-04-04
這篇文章主要介紹了python離散建模之感知器學(xué)習(xí)算法，感知機(jī)學(xué)習(xí)算法是支持向量機(jī)的基礎(chǔ)，支持向量機(jī)通過核函數(shù)進(jìn)行非線性分類，支持向量機(jī)也是感知機(jī)算法的延伸，下面就來介紹感知算法的相關(guān)內(nèi)容，需要的小伙伴可以參考一下2022-02-02
Python實(shí)現(xiàn)調(diào)用另一個路徑下py文件中的函數(shù)方法總結(jié)
這篇文章主要介紹了Python實(shí)現(xiàn)調(diào)用另一個路徑下py文件中的函數(shù)方法,結(jié)合實(shí)例形式總結(jié)分析了Python針對不同文件夾中py文件調(diào)用操作的處理技巧與相關(guān)注意事項(xiàng),需要的朋友可以參考下2018-06-06
在數(shù)字化時代，很多人工作中經(jīng)常和excel打交道。本文和大家分享四個Python操作excel的腳本，讓你工作效率更高，需要的小伙伴可以參考一下2022-11-11
下面小編就為大家?guī)硪黄猵ython面向?qū)ο骭詳談類的繼承與方法的重載。小編覺得挺不錯的，現(xiàn)在就分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2017-06-06
matplotlib階梯圖的實(shí)現(xiàn)(step())
這篇文章主要介紹了matplotlib階梯圖的實(shí)現(xiàn)(step())，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2021-03-03
Python算法應(yīng)用實(shí)戰(zhàn)之隊(duì)列詳解
隊(duì)列是一種先進(jìn)先出（First-In-First-Out，F(xiàn)IFO）的數(shù)據(jù)結(jié)構(gòu)。隊(duì)列被用在很多地方，比如提交操作系統(tǒng)執(zhí)行的一系列進(jìn)程、打印任務(wù)池等，一些仿真系統(tǒng)用隊(duì)列來模擬銀行或雜貨店里排隊(duì)的顧客。下面就介紹了Python中隊(duì)列的應(yīng)用實(shí)戰(zhàn)，需要的可以參考。2017-02-02