深度学习-线性回归基础-02

最新推荐文章于 2022-12-19 20:34:29 发布
最新推荐文章于 2022-12-19 20:34:29 发布
阅读量227 收藏
点赞数
分类专栏： 数据分析+机器学习 文章标签： python 深度学习 tensorflow 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_37978800/article/details/109211043
版权
线性回归：

在这里插入图片描述
线性方程 y=kx+b
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

w12+w22+w33+w44+…w“n”*n
算法：线性回归
策略：均方误差
优化：梯度下降api（学习率）
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告级别，不显示警告
import tensorflow as tf

def myregression():
    """
    自实现一个线性回归预测
    :return: 
    """
    # 1，准备数据,x特征值[100,1]   y目标值[100]
    x = tf.random_normal([100,1],mean=1.75,stddev=0.5,name="x_data") # 随机创建一个值 100行1列 平均值1.75 方差0.5 name是x_data
    # 矩阵相乘必须是二维的
    y_true = tf.matmul(x,[[0.7]]) + 0.8 # 假设偏置是0.8

    # 2，建立线性回归模型1个特征，1个权重，一个偏置 y = x*w + b
    # 随机给一个权重和偏置的值，让他去计算损失，然后在当前状态下进行优化
    # 用变量定义才能进行优化

    weight = tf.Variable(tf.random_normal([1,1],mean=0.0,stddev=1.0),name="w")
    bias = tf.Variable(0.0,name="b")
    y_predict = tf.matmul(x,weight)+bias
    # 3,建立损失函数，均方误差
    loss = tf.reduce_mean(tf.square(y_true - y_predict))
    # 4,梯度下降优化损失 leaning_rate:0--1,2,3,4,5
    train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
    # 定义一个初始化变量op
    init_op = tf.global_variables_initializer()

    # 通过会话运行程序
    with tf.Session() as sess:  # 上下文管理器
        # 初始化变量
        sess.run(init_op)
        # 打印随机最先初始化的权重和偏置
        print("随机初始化的参数权重:%f，偏置为:%f"%(weight.eval(),bias.eval()))
        # 循环训练 运行优化
        for i in range(200):
            sess.run(train_op)
            print("第%d次优化后的参数权重:%f，偏置为:%f" % (i,weight.eval(), bias.eval()))


    return None

if __name__=="__main__":
    myregression()

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
tensorboard --logdir=“test” （test=你的路径）
在这里插入图片描述
在这里插入图片描述

作用域

让模型代码更加清晰，作用分明

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告级别，不显示警告
import tensorflow as tf

def myregression():
    """
    自实现一个线性回归预测
    :return: 
    """
    # 建立作用域
    with tf.variable_scope("data"):
        # 1，准备数据,x特征值[100,1]   y目标值[100]
        x = tf.random_normal([100,1],mean=1.75,stddev=0.5,name="x_data") # 随机创建一个值 100行1列 平均值1.75 方差0.5 name是x_data
        # 矩阵相乘必须是二维的
        y_true = tf.matmul(x,[[0.7]]) + 0.8 # 假设偏置是0.8
    with tf.variable_scope("model"):
        # 2，建立线性回归模型1个特征，1个权重，一个偏置 y = x*w + b
        # 随机给一个权重和偏置的值，让他去计算损失，然后在当前状态下进行优化
        # 用变量定义才能进行优化
        # trainable参数：指定这个变量能否跟着梯度下降一起优化
        weight = tf.Variable(tf.random_normal([1,1],mean=0.0,stddev=1.0),name="w",trainable=False)
        bias = tf.Variable(0.0,name="b")
        y_predict = tf.matmul(x,weight)+bias
    with tf.variable_scope("loos"):
        # 3,建立损失函数，均方误差
        loss = tf.reduce_mean(tf.square(y_true - y_predict))
    with tf.variable_scope("optimizer"):
        # 4,梯度下降优化损失 leaning_rate:0--1,2,3,4,5
        train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
    # 定义一个初始化变量op
    init_op = tf.global_variables_initializer()

    # 通过会话运行程序
    with tf.Session() as sess:  # 上下文管理器
        # 初始化变量
        sess.run(init_op)
        # 打印随机最先初始化的权重和偏置
        print("随机初始化的参数权重:%f，偏置为:%f"%(weight.eval(),bias.eval()))
        # 建立事件文件
        filewriter = tf.summary.FileWriter("./test",graph=sess.graph)
        # 循环训练 运行优化
        for i in range(200):
            sess.run(train_op)
            print("第%d次优化后的参数权重:%f，偏置为:%f" % (i,weight.eval(), bias.eval()))


    return None

if __name__=="__main__":
    myregression()

在这里插入图片描述
在这里插入图片描述

增加变量显示

在这里插入图片描述

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告级别，不显示警告
import tensorflow as tf


# 1,训练参数问题：trainable
    # 学习率和步数的设置
# 2，添加权重值，损失值等在tensorboard观察情况
    # 1，收集变量 2，合并变量写入事件文件中
def myregression():
    """
    自实现一个线性回归预测
    :return: 
    """
    # 建立作用域tf.variable_scope
    with tf.variable_scope("data"):
        # 1，准备数据,x特征值[100,1]   y目标值[100]
        x = tf.random_normal([100,1],mean=1.75,stddev=0.5,name="x_data") # 随机创建一个值 100行1列 平均值1.75 方差0.5 name是x_data
        # 矩阵相乘必须是二维的
        y_true = tf.matmul(x,[[0.7]]) + 0.8 # 假设偏置是0.8
    with tf.variable_scope("model"):
        # 2，建立线性回归模型1个特征，1个权重，一个偏置 y = x*w + b
        # 随机给一个权重和偏置的值，让他去计算损失，然后在当前状态下进行优化
        # 用变量定义才能进行优化
        # trainable参数：指定这个变量能否跟着梯度下降一起优化
        weight = tf.Variable(tf.random_normal([1,1],mean=0.0,stddev=1.0),name="w",trainable=False)
        bias = tf.Variable(0.0,name="b")
        y_predict = tf.matmul(x,weight)+bias
    with tf.variable_scope("loos"):
        # 3,建立损失函数，均方误差
        loss = tf.reduce_mean(tf.square(y_true - y_predict))
    with tf.variable_scope("optimizer"):
        # 4,梯度下降优化损失 leaning_rate:0--1,2,3,4,5
        train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

    # 1,收集tensor
    tf.summary.scalar("losses",loss)
    tf.summary.histogram("weights",weight)
    # 2，定义合并tensor的op
    merged = tf.summary.merge_all()


    # 定义一个初始化变量op
    init_op = tf.global_variables_initializer()

    # 通过会话运行程序
    with tf.Session() as sess:  # 上下文管理器
        # 初始化变量
        sess.run(init_op)
        # 打印随机最先初始化的权重和偏置
        print("随机初始化的参数权重:%f，偏置为:%f"%(weight.eval(),bias.eval()))
        # 建立事件文件
        filewriter = tf.summary.FileWriter("./test",graph=sess.graph)
        # 循环训练 运行优化
        for i in range(500):
            sess.run(train_op)

            # 运行合并的tensor
            summary = sess.run(merged)
            filewriter.add_summary(summary,i)

            print("第%d次优化后的参数权重:%f，偏置为:%f" % (i,weight.eval(), bias.eval()))


    return None

if __name__=="__main__":
    myregression()

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

模型的保存和加载

在这里插入图片描述
保存

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告级别，不显示警告
import tensorflow as tf


# 1,训练参数问题：trainable
    # 学习率和步数的设置
# 2，添加权重值，损失值等在tensorboard观察情况
    # 1，收集变量 2，合并变量写入事件文件中
def myregression():
    """
    自实现一个线性回归预测
    :return: 
    """
    # 建立作用域tf.variable_scope
    with tf.variable_scope("data"):
        # 1，准备数据,x特征值[100,1]   y目标值[100]
        x = tf.random_normal([100,1],mean=1.75,stddev=0.5,name="x_data") # 随机创建一个值 100行1列 平均值1.75 方差0.5 name是x_data
        # 矩阵相乘必须是二维的
        y_true = tf.matmul(x,[[0.7]]) + 0.8 # 假设偏置是0.8
    with tf.variable_scope("model"):
        # 2，建立线性回归模型1个特征，1个权重，一个偏置 y = x*w + b
        # 随机给一个权重和偏置的值，让他去计算损失，然后在当前状态下进行优化
        # 用变量定义才能进行优化
        # trainable参数：指定这个变量能否跟着梯度下降一起优化
        weight = tf.Variable(tf.random_normal([1,1],mean=0.0,stddev=1.0),name="w",trainable=False)
        bias = tf.Variable(0.0,name="b")
        y_predict = tf.matmul(x,weight)+bias
    with tf.variable_scope("loos"):
        # 3,建立损失函数，均方误差
        loss = tf.reduce_mean(tf.square(y_true - y_predict))
    with tf.variable_scope("optimizer"):
        # 4,梯度下降优化损失 leaning_rate:0--1,2,3,4,5
        train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

    # 1,收集tensor
    tf.summary.scalar("losses",loss)
    tf.summary.histogram("weights",weight)
    # 2，定义合并tensor的op
    merged = tf.summary.merge_all()

    # 定义一个初始化变量op
    init_op = tf.global_variables_initializer()
    # 定义一个保存模型的实例
    saver = tf.train.Saver()

    # 通过会话运行程序
    with tf.Session() as sess:  # 上下文管理器
        # 初始化变量
        sess.run(init_op)
        # 打印随机最先初始化的权重和偏置
        print("随机初始化的参数权重:%f，偏置为:%f"%(weight.eval(),bias.eval()))
        # 建立事件文件
        filewriter = tf.summary.FileWriter("./test",graph=sess.graph)

        # 循环训练 运行优化
        for i in range(500):
            sess.run(train_op)

            # 运行合并的tensor
            summary = sess.run(merged)
            filewriter.add_summary(summary,i)

            print("第%d次优化后的参数权重:%f，偏置为:%f" % (i,weight.eval(), bias.eval()))


        saver.save(sess,"./ckpt/test_model") # 模型保存


    return None

if __name__=="__main__":
    myregression()

在这里插入图片描述

加载模型从上次结果开始训练

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告级别，不显示警告
import tensorflow as tf


# 1,训练参数问题：trainable
    # 学习率和步数的设置
# 2，添加权重值，损失值等在tensorboard观察情况
    # 1，收集变量 2，合并变量写入事件文件中
def myregression():
    """
    自实现一个线性回归预测
    :return: 
    """
    # 建立作用域tf.variable_scope
    with tf.variable_scope("data"):
        # 1，准备数据,x特征值[100,1]   y目标值[100]
        x = tf.random_normal([100,1],mean=1.75,stddev=0.5,name="x_data") # 随机创建一个值 100行1列 平均值1.75 方差0.5 name是x_data
        # 矩阵相乘必须是二维的
        y_true = tf.matmul(x,[[0.7]]) + 0.8 # 假设偏置是0.8
    with tf.variable_scope("model"):
        # 2，建立线性回归模型1个特征，1个权重，一个偏置 y = x*w + b
        # 随机给一个权重和偏置的值，让他去计算损失，然后在当前状态下进行优化
        # 用变量定义才能进行优化
        # trainable参数：指定这个变量能否跟着梯度下降一起优化
        weight = tf.Variable(tf.random_normal([1,1],mean=0.0,stddev=1.0),name="w",trainable=False)
        bias = tf.Variable(0.0,name="b")
        y_predict = tf.matmul(x,weight)+bias
    with tf.variable_scope("loos"):
        # 3,建立损失函数，均方误差
        loss = tf.reduce_mean(tf.square(y_true - y_predict))
    with tf.variable_scope("optimizer"):
        # 4,梯度下降优化损失 leaning_rate:0--1,2,3,4,5
        train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

    # 1,收集tensor
    tf.summary.scalar("losses",loss)
    tf.summary.histogram("weights",weight)
    # 2，定义合并tensor的op
    merged = tf.summary.merge_all()

    # 定义一个初始化变量op
    init_op = tf.global_variables_initializer()
    # 定义一个保存模型的实例
    saver = tf.train.Saver()

    # 通过会话运行程序
    with tf.Session() as sess:  # 上下文管理器
        # 初始化变量
        sess.run(init_op)
        # 打印随机最先初始化的权重和偏置
        print("随机初始化的参数权重:%f，偏置为:%f"%(weight.eval(),bias.eval()))
        # 建立事件文件
        filewriter = tf.summary.FileWriter("./test",graph=sess.graph)

        # 加载模型，覆盖模型当中随机定义的参数，从上次训练的参数结果开始
        if os.path.exists("./ckpt/checkpoint"): # 判断ckpt目录下是否存在checkpoint
            saver.restore(sess,"./ckpt/test_model") # 存在就加载模型


        # 循环训练 运行优化
        for i in range(500):
            sess.run(train_op)

            # 运行合并的tensor
            summary = sess.run(merged)
            filewriter.add_summary(summary,i)

            print("第%d次优化后的参数权重:%f，偏置为:%f" % (i,weight.eval(), bias.eval()))


        saver.save(sess,"./ckpt/test_model") # 模型保存


    return None

if __name__=="__main__":
    myregression()

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告级别，不显示警告
import tensorflow as tf


# 1,训练参数问题：trainable
    # 学习率和步数的设置
# 2，添加权重值，损失值等在tensorboard观察情况
    # 1，收集变量 2，合并变量写入事件文件中
# 3，定义命令行参数
    # 1，首先定义有哪些参数需要在运行的时候指定
    # 2，程序当中获取定义命令行参数
# 第一参数：名字，默认值，说明
tf.flags.DEFINE_integer("max_step",100,"模型训练的步数")
tf.flags.DEFINE_string("model_dir"," ","模型的加载路径")
# 定义获取命令行参数的名字
FLAGS = tf.flags.FLAGS
def myregression():
    """
    自实现一个线性回归预测
    :return: 
    """
    # 建立作用域tf.variable_scope
    with tf.variable_scope("data"):
        # 1，准备数据,x特征值[100,1]   y目标值[100]
        x = tf.random_normal([100,1],mean=1.75,stddev=0.5,name="x_data") # 随机创建一个值 100行1列 平均值1.75 方差0.5 name是x_data
        # 矩阵相乘必须是二维的
        y_true = tf.matmul(x,[[0.7]]) + 0.8 # 假设偏置是0.8
    with tf.variable_scope("model"):
        # 2，建立线性回归模型1个特征，1个权重，一个偏置 y = x*w + b
        # 随机给一个权重和偏置的值，让他去计算损失，然后在当前状态下进行优化
        # 用变量定义才能进行优化
        # trainable参数：指定这个变量能否跟着梯度下降一起优化
        weight = tf.Variable(tf.random_normal([1,1],mean=0.0,stddev=1.0),name="w",trainable=False)
        bias = tf.Variable(0.0,name="b")
        y_predict = tf.matmul(x,weight)+bias
    with tf.variable_scope("loos"):
        # 3,建立损失函数，均方误差
        loss = tf.reduce_mean(tf.square(y_true - y_predict))
    with tf.variable_scope("optimizer"):
        # 4,梯度下降优化损失 leaning_rate:0--1,2,3,4,5
        train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

    # 1,收集tensor
    tf.summary.scalar("losses",loss)
    tf.summary.histogram("weights",weight)
    # 2，定义合并tensor的op
    merged = tf.summary.merge_all()

    # 定义一个初始化变量op
    init_op = tf.global_variables_initializer()
    # 定义一个保存模型的实例
    saver = tf.train.Saver()

    # 通过会话运行程序
    with tf.Session() as sess:  # 上下文管理器
        # 初始化变量
        sess.run(init_op)
        # 打印随机最先初始化的权重和偏置
        print("随机初始化的参数权重:%f，偏置为:%f"%(weight.eval(),bias.eval()))
        # 建立事件文件
        filewriter = tf.summary.FileWriter("./test",graph=sess.graph)

        # 加载模型，覆盖模型当中随机定义的参数，从上次训练的参数结果开始
        if os.path.exists("./ckpt/checkpoint"): # 判断ckpt目录下是否存在checkpoint
            saver.restore(sess,FLAGS.model_dir) # 存在就加载模型


        # 循环训练 运行优化 步数
        for i in range(FLAGS.max_step):
            sess.run(train_op)

            # 运行合并的tensor
            summary = sess.run(merged)
            filewriter.add_summary(summary,i)

            print("第%d次优化后的参数权重:%f，偏置为:%f" % (i,weight.eval(), bias.eval()))


        saver.save(sess,FLAGS.model_dir) # 模型保存


    return None

if __name__=="__main__":
    myregression()

python 线性回归.py --max_step=300 --model_dir="/ckpt/model"
在这里插入图片描述
在这里插入图片描述

gemoumou
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
pytorch学习－－线性回归
01-23
李沐博士的线性回归代码
TensorFlow框架之案例：实现线性回归
weixin_43894652的博客
02-01 263
根据数据建立回归模型，w1x1+w2x2+…..+b = y，通过真实值与预测值之间建立误差，使用梯度下降优化得到损失最小对应的权重和偏置。最终确定模型的权重和偏置参数。这里将数据分布的规律确定，是为了使我们训练出的参数跟真实的参数（即0.8和0.7）比较是否训练准确。2、 tf.app.flags.,在flags有一个FLAGS标志，它在程序中可以调用到我们。是代码结构更加清晰，Tensorboard图结构清楚。trainable的参数作用，指定是否训练。如要判断模型是否存在，直接指定目录。
TensorFlow案例实现线性回归
IT之一小佬的博客
06-14 459
TensorFlow案例实现线性回归 一、线性回归原理复习 根据数据建立回归模型，w1x1+w2x2+…..+b = y，通过真实值与预测值之间建立误差，使用梯度下降优化得到损失最小对应的权重和偏置。最终确定模型的权重和偏置参数。最后可以用这些参数进行预测。 二、案例：实现线性回归的训练 1 案例确定 假设随机指定100个点，只有一个特征 数据本身的分布为 y = 0.8 * x + 0.7 【目标值：（100，1）】 这里将数据分布的规律确定，是为了使我们训练出的参数跟真实的参数（即0...
python线性加权回归_python深度学习-tensorflow实现一个线性回归的案例
weixin_39581716的博客
12-09 228
线性回归：w1x1+w2x2+w3x3+......+wnxn+bias(这是一个偏移量)，我们采用的算法是：线性回归，策略是：均方误差，优化是：梯度下降API,1.转准备好实验的数据：100个数据，每一个有一个特征值，所以形成一个【100,1】的列表，在准备一个目标函数：y=0.8x+0.7那么怎么知道为什么是0.8和0.7呢，这是我们假设的2.建立一个模型，需要我们随机生成两个参数，一个是权重...
tensorflow之实现一个线性回归
qq_39682037的博客
04-17 2141
线性回归 原理 根据数据建立回归模型f（x） 通过真实值与预测值之间建立误差，使用梯度下降优化得到损失最小对应的权重和偏置。最终确定模型的权重和偏置参数。最后可以用这些参数进行预测。 知识储备 矩阵运算API tf.matmul(x, w) 相乘 tf.square(error) 平方 tf.reduce_mean(error) 平均值 梯度下降API 梯度下降优化 tf.train...
TensorFlow——实现简单的线性回归
weixin_42008209的博客
09-15 8110
一、线性回归原理 根据数据建立回归模型，w1x1+w2x2+…..+b = y，通过真实值与预测值之间建立误差，使用梯度下降优化得到损失最小对应的权重和偏置。最终确定模型的权重和偏置参数。最后可以用这些参数进行预测。 二、案例：实现线性回归的训练 1 .案例确定 假设随机指定100个点，只有一个特征 数据本身的分布为 y = 0.7 * x + 0.8 这里将数据分布的规...
机器学习与深度学习-自定义函数进行线性回归模型分析（波士顿房价）.zip
最新发布
01-02
1、通过自定义函数进行线性回归模型对boston数据集前两个维度的数据进行模型训练并画出SSE和Epoch曲线图，画出真实值和预测值的散点图，最后进行二维和三维度可视化展示数据区域。 2、通过自定义函数进行线性回归...
深度学习第一课-线性模型
10-10
深度学习第一课线性模型 1、线性回归 （1）模型 （2）损失函数 （3）梯度下降 2、softmax回归 （1）模型 （2）损失函数 （3）梯度下降 3、感知机 （1）模型 （2）损失函数 （3）梯度下降
深度学习线性回归输出w和b
03-17
深度学习线性回归输出w和b
动手学深度学习：线性回归简洁实现
01-20
线性回归简洁实现 %matplotlib inline import torch from IPython import display from matplotlib import pyplot as plt import numpy as np import random num_inputs = 2 num_examples = 1000 true_w = [2, -3.4]...
基于TensorFlow的线性回归实例
professor_tao的博客
08-01 298
文章目录线性回归原理实例分析1. 训练数据生成2. 建立线性回归模型小结 线性回归原理 根据训练数据建立回归模型y=w1x1+w2x2+...+wnxn+by=w_1x_1+w_2x_2+...+w_nx_n+by=w1​x1​+w2​x2​+...+wn​xn​+b 建立预测值与真实值间的误差损失函数 采用梯度下降法优化误差损失函数，对最优的权重和偏置进行预测 实例分析 1. 训练数据生成 随机生成200个服从正态分布的数据点 数据本身分布为y=0.6x+0.9y=0.6x+0.9y=0.6x+0.
python深度学习-tensorflow实现一个线性回归的案例（对excel数据进行分析）
weixin_55164293的博客
03-08 1858
一、实验大体步骤： 准备数据； 构建回归模型； 构建损失函数（损失用均方误差表示）； 优化损失（用梯度下降方法定义优化器）； 输出测试集准确率和预测值。 二、具体实现： 线性回归：w1x1+w2x2+w3x3+......+wnxn+bias(这是一个偏移量)，我们采用的算法是：线性回归，策略是：均方误差，优化是：梯度下降API, 1.转准备好实验的数据：86个数据，每一个有一个特征值，所以形成一个[100,1]的列表。 2.建立一个模型，需要我们..
Tensorflow入门（5）——线性回归
Netceor的博客
07-09 372
一、房价预测问题 房价和面积基本上呈现线性关系。图中直线。y=wx+b 其中： y指的是价格，即我们试图预测的值。 w是直线的斜率 x是房子的面积，即输入的数据 b指的是y轴的截距
【TensorFlow 2】 实现线性回归
m0_51332973的博客
12-26 1055
低阶API 数据生成 import matplotlib.pyplot as plt import tensorflow as tf %matplotlib inline TRUE_W = 3.0 TRUE_b = 2.0 NUM_SAMPLES = 100 # 初始化随机数据 X = tf.random.normal(shape=[NUM_SAMPLES, 1]).numpy() noise = tf.random.normal(shape=[NUM_SAMPLES, 1]).numpy() y =
【Python机器学习】神经网络中全连接层与线性回归的讲解及实战（Tensorflow、MindSpore平台 附源码）
showswoller的博客
12-19 2081
【Python机器学习】神经网络中全连接层与线性回归的讲解及实战（Tensorflow、MindSpore平台 附源码）
tensorflow解决回归问题简单案列
little_fat_sheep
05-05 950
在网络出口处不要加上sigmoid、tanh、relu激活函数进行非线性变换，因为sigmoid函数会将回归值压缩到(0,1)，tanh函数会将回归值压缩到(-1,1)，relu函数会将回归值映射到(0,+oo)，而真实值没有这些限制，导致损失函数的计算不合理，误差反馈较慢，模型不收敛。 另外，可以先将真实值y归一化，记为y1，再将回归值z3与z1比较，计算误差并调节网络权值和偏值，将z3逆归一化的值作为网络预测值。
用TensorFlow实现线性回归（包括过程中出现的问题及解决方法）
吃鱼从来不吐刺的博客
04-21 5787
用TensorFlow实现线性回归实验
TensorFlow学习一 --- 线性回归
weixin_45156079的博客
06-17 317
TensorFlow学习一 — 线性回归 一、了解回归问题 1.1什么是回归模型 回归模型是一种预测性的建模技术，它研究的是因变量（目标）和自变量（预测器）之间的关系。这种技术通常用于预测分析，时间序列模型以及发现变量之间的因果关系。例如，司机的鲁莽驾驶与道路交通事故数量之间的关系，最好的研究方法就是回归。 1.2回归应用场景 回归问题的应用场景一般是预测的结果是连续的。例如，预测明天的温度，23，24，25度 回归问题通常是用来预测一个值，如预测房价、未来的天气情况等等，例如一个产品的实际价格为500元，
用tensorflow实现线性回归案例
weixin_53344209的博客
02-10 287
1、案例介绍 本次学习的目的是如何用tensorflow实现线性回归，最重要的是熟悉如何搭建一个神经网络框架，接下来这个例子的神经网络有三层，输入层-中间层-输出层。先上代码: import tensorflow.compat.v1 as tf tf.compat.v1.disable_eager_execution() import numpy as np import matplotlib.pyplot as plt x_data=np.linspace(-0.5,0.5,200)[:,np.new
深度学习 非线性回归预测
08-18
深度学习可以用于非线性回归预测。在深度学习中，可以使用神经网络来建模非线性关系。通过输入特征数据，神经网络可以学习到输入和输出之间的复杂映射关系，从而进行预测。 在非线性回归预测中，首先需要定义生成...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值