(此程序可用于测试TensorFlow是否配置成功)
利用TensorFlow的神经网络训练一个模型,训练出权重值来使模型拟合
的系数1和-0.5.
import tensorflow as tf
import numpy as np
# 构造满足一元二次方程的函数
#---1. 生成并加载数据---
# linspace:从[-1,1]获取300个x值;
# newaxis:增加维度,这里转化成300 x 1的二维数组
x_data = np.linspace(-1, 1, 300)[:, np.newaxis]
# 加入一些噪声点,并且拟合为均值为0、方差为0.05的正态分布
# shape查看矩阵或数组的维数(300,1)
noise = np.random.normal(0, 0.05, x_data.shape)
# y = x^2 - 0.5 + noise
y_data = np.square(x_data) - 0.5 + noise
# 定义x,y的占位符来作为将要输入神经网络的变量
# tf.placeholder(数据类型type, 维度, 名称name)
xs = tf.placeholder(tf.float32, [None, 1]) # 列为1,行不定
ys = tf.placeholder(tf.float32, [None, 1])
#---2. 构建网络模型---
# 添加层add_layer(输入数据,输入数据的维度,输出数据的维度,激活函数)
def add_layer(inputs, in_size, out_size, activation_function=None):
# 构建权重: in_size * out_size大小的矩阵
# tf.random_normal(): 用于从服从指定正态分布的数值中取出指定个数的值
weights = tf.Variable(tf.random_normal([in_size, out_size]))
# 构建偏置: 1*out_size的矩阵
# tf.zeros(): 创建一个所有的参数为0的tensor对象
biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)
# 矩阵相乘 (向量化处理 y = weights * x + biases)
Wx_plus_b = tf.matmul(inputs, weights) + biases
if activation_function is None:
outputs = Wx_plus_b
else :
outputs = activation_function(Wx_plus_b)
return outputs
# 构建隐藏层,假设隐藏层有20个神经元,激活函数为relu
h1 = add_layer(xs, 1, 20, activation_function=tf.nn.relu)
# 构建输出层,假设输出层和输入层一样,有1个神经元
prediction = add_layer(h1, 20, 1, activation_function=None)
# 构建损失函数:计算输出层的预测值和真实值的误差,对二者差的平方求和再取平均,得到损失函数
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),reduction_indices=[1]))
# 使用随机梯度下降算法,以0.1的效率最小化损失,使参数沿着梯度的反方向,即总损失减小的方向移动,实现更新参数
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
# ---3. 训练模型---
# 初始化所有变量
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
# 进行1000次训练
for i in range(1000):
sess.run(train_step, feed_dict={xs: x_data, ys: y_data})
# 每50次打印一次损失值
if i % 50 == 0:
print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))
运行结果: