深度学习框架TensorFlow学习与应用（二）——非线性回归、MINST数据集分类

最新推荐文章于 2024-09-20 19:53:49 发布

那些很冒险的梦

最新推荐文章于 2024-09-20 19:53:49 发布

阅读量1.2k

点赞数

分类专栏：深度学习文章标签：深度学习框架

本文链接：https://blog.csdn.net/JluTiger316/article/details/78486566

版权

本文介绍了深度学习框架TensorFlow中非线性回归的应用，并详细探讨了MNIST数据集的分类，包括数据集介绍、神经网络构建、Softmax函数的运用，以及一个简单的MNIST分类实例。

摘要由CSDN通过智能技术生成

非线性回归

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
#使用numpy生成200个随机点
x_data=np.linspace(-0.5,0.5,200)[:,np.newaxis]#-0.5到0.5中均匀分布的200个点，之后增加一个维度
noise=np.random.normal(0,0.02,x_data.shape)#生成干扰，形状和x_data一样
y_data=np.square(x_data)+noise

#定义两个placeholder
x=tf.placeholder(tf.float32,[None,1])
y=tf.placeholder(tf.float32,[None,1])

#定义神经网络中间层,10个神经元
Weight_L1=tf.Variable(tf.random_normal([1,10]))#权值
biases_L1=tf.Variable(tf.zeros([1,1]))#偏置值，10个
Wx_plus_b_L1=tf.matmul(x,Weight_L1)+biases_L1#信号的总和
L1=tf.nn.tanh(Wx_plus_b_L1)#中间层的输出，用双曲正切函数作为激活函数

#定义输出层，1个神经元
Weight_L2=tf.Variable(tf.random_normal([10,1]))
biases_L2=tf.Variable(tf.zeros([1,1]))
Wx_plus_b_L2=tf.matmul(L1,Weight_L2)+biases_L2
prediction=tf.nn.tanh(Wx_plus_b_L2)

#二次代价函数
loss=tf.reduce_mean(tf.square(y-prediction))

最低0.47元/天解锁文章