基于tensorflow下的神经网络的一维数据的回归算法

运行平台： Windows
Python版本： Python3.6
IDE： Spyder
笔者最近正在研究RCNN系列，发现在检测目标物的时候同时的完成定位（回归）和分类。于是想基于神经网络尝试进行对于一维光谱进行回归算法的研究。
我们的光谱大小维度为1*215，总共有四个峰的区间，有这个峰定义为10，没有定义为01，所以说输出是一个八位的结果。

网络搭建

网络基于普通的神经网络，但是与分类不同，Loss function采用的是MSE，输出的函数采用的是sigmoid函数，代码如下：

import numpy as np
import tensorflow as tf
x=np.loadtxt("E:/all_feature/15—class_all_2way——train80.txt")  ##输入数据
y=np.loadtxt("E:/all_feature/15—class_all_2way——test.txt")
xs = tf.placeholder(tf.float32, [None, 215])
ys = tf.placeholder(tf.float32, [None, 8])
# the model of the fully-connected network
weights1 = tf.Variable(tf.random_normal([215,50]))
biases1 = tf.Variable(tf.zeros([1, 50]) + 0.1) 
outputs1 = tf.nn.relu(tf.matmul(xs, weights1) + biases1)
outputs1_1 = tf.nn.dropout(outputs1,keep_prob=0.4)
weights2 = tf.Variable(tf.random_normal([50,8]))
biases2 = tf.Variable(tf.zeros([1, 8]) + 0.1)
outputs2 = tf.nn.sigmoid(tf.matmul(outputs1_1, weights2) + biases2)############sigmoid函数
##############loss function
MSE = tf.reduce_mean(tf.square(ys - outputs2))
train_step = tf.train.AdamOptimizer(0.001).minimize(MSE)

saver=tf.train.Saver()
with tf.Session() as sess:
    init = tf.global_variables_initializer()
    sess.run(init)
    for i in range(500000):
        batch_xs, batch_ys =  x[:,:215],x[:,215:]

        sess.run(train_step, feed_dict={
            xs: batch_xs,
            ys: batch_ys
        })
            outs=sess.run(MSE, feed_dict={ xs: batch_xs, ys: batch_ys})
            print(str(i)+' '+str(outs)) 
            a=sess.run(outputs2, feed_dict={ xs: x[:,:215]})
            if outs<=0.001:
                saver.save(sess,'./regession.ckpt',global_step=i)
                

np.savetxt('E:/all_feature/output.txt',a)   

结果展示