tensorflow劝退（6.27）

一、 什么是激励函数？TF中常用的激励函数有那些？

激励函数的作用就是将多个线性输入转换为非线性的关系。

常用的激励函数主要有：ReLU、ReLU6、sigmoid、tanh、softsign、ELU等。

 

二、 任何函数都有梯度吗？如果不是，那么一个函数具有梯度的条件是什么？

该节点操作不可导

 

三、 什么是感知机？

感知机是二分类的线性分类模型，输入为实例的特征向量，输出为实例的类别（取+1和-1）。感知机对应于输入空间中将实例划分为两类的分离超平面。感知机的使用前提是数据本身线性可分。

四、 感知机的局限性是什么？

（1）感知机是线性的模型，其不能表达复杂的函数，不能出来线性不可分的问题，其连异或问题(XOR）都无法解决，因为异或问题是线性不可分的

（2）怎样解决这个问题呢，通常有两种做法。其一：用更多的感知机去进行学习，这也就是人工神经网络的由来。其二：用非线性模型，核技巧，如SVM进行处理。

五、 什么是线性可分问题？什么是线性不可分问题？

线性可分：即可以找到一个超平面，将数据集按类别分开

线性不可分：找不到一个超平面，恰好能把两类数据严格地分开。

六、 感知机的损失函数如何设计？

损失函数分为经验风险损失函数和结构风险损失函数。经验风险损失函数指预测结果和实际结果的差别，结构风险损失函数是指经验风险损失函数加上正则项。

七、 代码？？？（LinearReg_DIY.py案例）

import tensorflow as tf

import numpy as np

import matplotlib.pyplot as plt

 

#构造训练数据：使用numpy生产在一条斜率为0.1、偏移是0.2的直线上分布的100个随机点

#x_train = np.random.random(100)

#y_train = x_train * 0.1 + 0.2

 

x_train = np.linspace(0,1,100)

print("x_train.shape == ", x_train.shape)

y_train = 2 * x_train + np.random.rand(*x_train.shape) + 1

 

x_data = tf.placeholder(dtype="float32")

y_data = tf.placeholder(dtype="float32")

 

#构造一个线性模型,斜率k，偏移b，变量x_data

b = tf.Variable(1.0)

k = tf.Variable(1.0)

y = k * x_data + b

 

#优化变量k、b使线性模型接近于上面样本点的分布,定义二次代价(或者叫目标/损失)函数

# reduce_mean()求平均值、square()求平方  y_data是真实值，y是预测值

loss = tf.reduce_mean(tf.square(y_data-y))

#定义一个梯度下降法来进行训练的优化器, GradientDescentOptimizer()梯度下降法优化器(括号内给定学习率)

optimizer = tf.train.AdamOptimizer(0.1)

#optimizer = tf.train.MomentumOptimizer(0.1,momentum=0.5)

#optimizer = tf.train.GradientDescentOptimizer(0.1)

#最小化代价(或者叫目标/损失)函数

train = optimizer.minimize(loss)

#初始化变量

init = tf.global_variables_initializer()

with tf.Session() as sess:

    sess.run(init)

    writer = tf.summary.FileWriter("E:\\PycharmProjects\\TensorBoard\\test", sess.graph)

    # 迭代若干次

    for epoch in range(99):

        _, w_value, b_value = sess.run([train,k,b],

                                       feed_dict={x_data:x_train,y_data:y_train})

        if epoch % 2 == 0:  #每训练*次打印一次

            print("epoch:{}, w: {}, b: {}".format(epoch ,w_value, b_value))

    writer.close()

 

plt.plot(x_train, y_train,"+")

plt.plot(x_train,w_value * x_train + b_value)

plt.show()

　　

 

转载于:https://www.cnblogs.com/bjx817/p/11095935.html