小白入门的第一个神经网络 （动态拟合函数）

神经网络 （动态拟合函数）

前言

我用的是 tensorflow1.14 + spyder + python 3.5
因为这里涉及到了session，对于tf 2.0版本的并不支持
可以重新创建一个基于tf 1.14的虚拟环境

成果展示

最后成像是动态拟合展示，初始函数在神经网络中经过多次迭代，最终完成拟合。

流程

首先，导入三个模块

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

神经网络添加层
设置好偏重Weights， 偏差biases，构建Wx_plus_b存储没有被激活的值。等价 y = Wx + b
激活函数

tf.random_normal()函数用于从“服从指定正态分布的序列”中随机取出指定个数的值。
tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
tf.zeros( shape, dtype=tf.float32, name=None) 构建 零张量

def add_layer(inputs, in_size,out_size, activation_function=None):
    Weights = tf.Variable(tf.random_normal([in_size, out_size]))
    biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)
    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

产生数据集 ，基本的二次函数 y = x^2+0.5
设定一些噪声点

x_data = np.linspace(-1, 1, 300)[:, np.newaxis]
noise = np.random.normal(0, 0.05, x_data.shape)
y_data = np.square(x_data) - 0.5 + noise

输入层 只有一个x_data，有一个data，只有一个属性，输入只有一个神经网络
构建隐藏层，假设隐藏层有十个神经元（1， 10）activation——function可以选择 sigmoid， relu， tanh等等。
定义一个输出层prediction（10， 1）输出是y_data，只有一个。
loss是判断估计和实际的差值
训练方式采用梯度下降法，步长为0.1。通常学习效率都是小于1的，夺取尝试。

l1 = add_layer(xs, 1, 10, activation_function = tf.nn.sigmoid)
prediction = add_layer(l1, 10, 1, activation_function = None)

loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction), 
       reduction_indices=[1]))
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

初始变量，对Seeion对话中的事件进行执行（ tf1 固定套路）

init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)

数据可视化，对当前的的图像进行处理

fig = plt.figure()
ax = fig.add_subplot(1,1,1)
ax.scatter(x_data, y_data)
plt.ion()

开始的placeholder == 占位符，后赋值。 和 feed_dict绑定
feed.dict == {字典}
这个模块进行了设定好计算展示频率的运行。

for i in range(1000):
    sess.run(train_step, feed_dict = {xs: x_data, ys: y_data})
    if i % 10 == 0:
        try:
            ax.lines.remove(lines[0])
        except Exception:
            pass
        #print(sess.run(loss, feed_dict = {xs: x_data, ys: y_data}))
        prediction_value = sess.run(prediction, feed_dict = {xs: x_data})
        lines = ax.plot(x_data, prediction_value, 'r-', lw = 5)
        
        plt.pause(0.1)

整体代码如下

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

# 添加层
def add_layer(inputs, in_size,out_size, activation_function=None):
    Weights = tf.Variable(tf.random_normal([in_size, out_size]))
    biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)
    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

x_data = np.linspace(-1, 1, 300)[:, np.newaxis]
noise = np.random.normal(0, 0.05, x_data.shape)
y_data = np.square(x_data) - 0.5 + noise

xs = tf.placeholder(tf.float32, [None, 1])
ys = tf.placeholder(tf.float32, [None, 1])

l1 = add_layer(xs, 1, 10, activation_function = tf.nn.sigmoid)
prediction = add_layer(l1, 10, 1, activation_function = None)

loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction), 
       reduction_indices=[1]))
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)

# 图像可视化
fig = plt.figure()
ax = fig.add_subplot(1,1,1)
ax.scatter(x_data, y_data)
plt.ion()



for i in range(1000):
    sess.run(train_step, feed_dict = {xs: x_data, ys: y_data})
    if i % 10 == 0:
        try:
            ax.lines.remove(lines[0])
        except Exception:
            pass
        #print(sess.run(loss, feed_dict = {xs: x_data, ys: y_data}))
        prediction_value = sess.run(prediction, feed_dict = {xs: x_data})
        lines = ax.plot(x_data, prediction_value, 'r-', lw = 5)
        
        plt.pause(0.1)