手把手搭建TensorFlow神经网络简单例子——非线性回归

最新推荐文章于 2022-08-27 18:17:25 发布

_Sumor

最新推荐文章于 2022-08-27 18:17:25 发布

阅读量362

点赞数 1

分类专栏： TensorFlow入门文章标签： tensorflow

本文链接：https://blog.csdn.net/Su_Mo/article/details/107568699

版权

本文手把手教你使用TensorFlow搭建一个神经网络，包括自定义网络层、导入数据、训练网络等步骤。通过设置输入层、隐藏层（10个神经元）和输出层，形成简单的神经网络模型，并利用GradientDescentOptimizer以0.1的学习率进行训练，以提升预测准确性。经过1000次训练，使神经网络不断学习并优化。

摘要由CSDN通过智能技术生成

构建一个完整的神经网络，包括添加自定义网络层、计算误差、训练步骤等

import tensorflow as tf
import numpy as np

自定义网络层

def my_layer(inputs, in_size, out_size, activation_function=None):
    w = tf.Variable(tf.random_normal([in_size, out_size])) # 因为在生成初始参数时，随机变量(normal distribution)会比全部为0要好很多，所以我们这里的weights为一个in_size行, out_size列的随机变量矩阵。
    bias = tf.Variable(tf.zeros([1, out_size])+0.1) # 在机器学习中，biases的推荐值不为0，所以我们这里是在0向量的基础上又加了0.1。
    # 下面，我们定义Wx_plus_b, 即神经网络未激活的值。其中，tf.matmul()是矩阵的乘法。
    Wx_plus_b = tf.matmul(inputs, w) + bias
    # 当activation_function为None时，输出就是当前的预测值——Wx_plus_b，不为None时，就把Wx_plus_b传到activation_function()函数中得到输出。
    if activation_function is None:
        outputs = Wx_plus_b
    else:</