作家
登录

TensorFlow学习之神经网络的构建

作者: 来源: 2018-03-22 17:06:14 阅读 我要评论

  •  
  •     xs = tf.placeholder(tf.float32,[None,1]) #外界输入数据 
  •     ys = tf.placeholder(tf.float32,[None,1]) 
  •  
  •     l1 = add_layer(xs,1,10,activate=tf.nn.relu) 
  •     prediction = add_layer(l1,10,1,activate=None) 
  •  
  •     loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),reduction_indices=[1]))#误差 
  •     train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)#对误差进行梯度优化,办法为0.1 
  •  
  •     sess = tf.Session() 
  •     sess.run( tf.global_variables_initializer()) 
  •     for i in range(1000): 
  •         sess.run(train_step, feed_dict={xs: x_data, ys: y_data})#练习 
  •         if i%50 == 0: 
  •             print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))#查看误差  
  • 3.动态显示练习过程

    显示的步调法度榜样之中部分进行解释,其它解释请看其它博客(http://www.cnblogs.com/wjy-lulu/p/7735987.html)

    1. import tensorflow as tf 
    2. import numpy as np 
    3. import matplotlib.pyplot as plt 
    4.  
    5. def add_layer(inputs , in_size , out_size , activate = None): 
    6.     Weights = tf.Variable(tf.random_normal([in_size,out_size]))#随机初始化 
    7.     baises  = tf.Variable(tf.zeros([1,out_size])+0.1)#可以随机然则不要初始化为0,都为固定值比随机好点 
    8.     y = tf.matmul(inputs, Weights) + baises #matmul:矩阵乘法,multipy:一般是数量的乘法 
    9.     if activate: 
    10.         y = activate(y) 
    11.     return y 
    12. if __name__ == '__main__'
    13.     x_data = np.linspace(-1,1,300,dtype=np.float32)[:,np.newaxis]#创建-1,1的300个数,此时为一维矩阵,后面转化为二维矩阵===[1,2,3]-->>[[1,2,3]] 
    14.     noise = np.random.normal(0,0.05,x_data.shape).astype(np.float32)#噪声是(1,300)格局,0-0.05大年夜小 
    15.     y_data = np.square(x_data) - 0.5 + noise #带有噪声的抛物线 
    16.     fig = plt.figure(

        推荐阅读

        教你禁用Windows 10中的各种小广告

      比拟之前的Win7/Win8,Win10的告白可谓无孔不入。开端菜单、应用列表、锁屏页面、通知中间……,所有你能想到的处所,几乎都能看到各类告白。 全平易近充电节 | 3月26日~30日 2000位IT行业拭>>>详细阅读


      本文标题:TensorFlow学习之神经网络的构建

      地址:http://www.17bianji.com/lsqh/40823.html

    关键词: 探索发现

    乐购科技部分新闻及文章转载自互联网,供读者交流和学习,若有涉及作者版权等问题请及时与我们联系,以便更正、删除或按规定办理。感谢所有提供资讯的网站,欢迎各类媒体与乐购科技进行文章共享合作。

    网友点评
    自媒体专栏

    评论

    热度

    精彩导读
    栏目ID=71的表不存在(操作类型=0)