深度学习之tensorfolw（二）神经网络模型

最新推荐文章于 2022-04-13 09:59:11 发布

繁华三千东流水

最新推荐文章于 2022-04-13 09:59:11 发布

阅读量574

点赞数

分类专栏：深度学习项目练习文章标签：深度学习神经网络模型

本文链接：https://blog.csdn.net/qq872890060/article/details/97644136

版权

本文介绍了如何使用TensorFlow构建一个包含输入层、单层隐藏层和输出层的神经网络模型，包括模型构建的图示、参考代码及效果展示。

摘要由CSDN通过智能技术生成

模型构建图示

构建了一个输入层，输出层和单层隐藏层的神经网络模型。
在这里插入图片描述

参考代码如下

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

# 使用numpy生产200个随机点
x_data = np.linspace(-0.5,0.5,200)[:,np.newaxis]
# 产生噪声
noise = np.random.normal(0,0.02,x_data.shape)
y_data = np.square(x_data) + noise

# 定义两个placeholder
x = tf.compat.v1.placeholder(tf.float32,[None,1])
y = tf.compat.v1.placeholder(tf.float32,[None,1])

# 定义神经网络中间层
Weights_L1 = tf.Variable(tf.compat.v1.random.normal([1,10]))
# 偏置项
biases_L1 = tf.Variable(tf.zeros([1,10]))
Wx_plus_b_L1 = tf.matmul(x,Weights_L1) + biases_L1
# 激活函数
L1 = tf.nn.tanh(Wx_plus_b_L1)

# 定义神经网络输出层
Weights_L2 = tf.Variable(tf.random.normal([10,1]))
biases_L2 = tf.Variable(tf.zeros([1,1]))
Wx_plus_b_L2 = tf.matmul(L1,Weights_L2) + bia