(二)--线性回归

最新推荐文章于 2024-09-23 16:50:54 发布

你是我的星冰乐

最新推荐文章于 2024-09-23 16:50:54 发布

阅读量93

点赞数

分类专栏： MachineLearning 文章标签：神经网络深度学习 tensorflow 机器学习卷积神经网络

本文链接：https://blog.csdn.net/qq_40147092/article/details/109284265

版权

MachineLearning 专栏收录该内容

4 篇文章 0 订阅

订阅专栏

该博客通过TensorFlow库展示了如何实现一个简单的线性回归模型。首先，使用numpy生成200个随机数据点，然后定义两个placeholder，接着构建神经网络模型，包括一个中间层和一个输出层，激活函数采用双曲正切。模型使用梯度下降法进行训练，并绘制了预测值与实际值的对比图。

摘要由CSDN通过智能技术生成

[toc]

线性回归

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

#使用numpy生成200个的随机点
x_data=np.linspace(-0.5,0.5,200)[:,np.newaxis] #增加了一个维度，即200行1列
noise=np.random.normal(0,0.02,x_data.shape) #正态分布
y_data=np.square(x_data)+noise

#定义两个placeholder
x=tf.placeholder(tf.float32,[None,1]) #行不确定，1列，样本从这输入，None按需取值,这里取200
y=tf.placeholder(tf.float32,[None,1])

#定义神经网络中间层
Weights_L1=tf.Variable(tf.random_normal([1,10])) #1行10列,连接输入层和中间层，因为输入层1个神经元，中间层10个神经元
#random_normal:从正态分布中输出随机值
biases_L1=tf.Variable(tf.zeros([1,10])) #偏置值
Wx_plus_b_L1=tf.matmul(x,Weights_L1)+biases_L1 #matmul矩阵乘法
L1=tf.nn.tanh(Wx_plus_b_L1) #双曲正切作为激活函数

#定义输出层
Weights_L2=tf.Variable(tf.random.normal([10,1])) #输出层1个神经元
biases_L2=tf.Variable(tf.zeros([1,1])) #因为只有1个神经元，所以只有1个偏置值
Wx_plus_b_L2=tf.matmul(L1,Weights_L2)+biases_L2 #L1是因为输出层的输入相当于中间层的输出
prediction=tf.nn.tanh(Wx_plus_b_L2)

#二次代价函数
loss=tf.reduce_mean(tf.square(y-prediction)) #真实-预测
#用梯度下降法训练
train_step=tf.train.GradientDescentOptimizer(0.1).minimize(loss)

#定义会话
with tf.Session() as sess:
    #变量初始化
    sess.run(tf.global_variables_initializer())
    for _ in range(2000):
        sess.run(train_step,feed_dict={x:x_data,y:y_data})

    #获得预测值
    prediction_value=sess.run(prediction,feed_dict={x:x_data})
    #画图
    plt.figure()
    plt.scatter(x_data,y_data) #散点图
    plt.plot(x_data,prediction_value,'r-',lw=5)
    plt.show()