tensorflow做回归模型

最新推荐文章于 2022-12-20 12:07:16 发布

mengke_yu

最新推荐文章于 2022-12-20 12:07:16 发布

阅读量419

点赞数 1

分类专栏：深度学习

本文链接：https://blog.csdn.net/ymkfjuyhbh/article/details/89955462

版权

本文介绍了如何使用TensorFlow构建一个简单的回归模型。通过训练，神经网络生成的红线达到了最小的损失，对应于200个样本点的分布。

摘要由CSDN通过智能技术生成

使用tensorflow实现一个简单的回归模型：

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

#第一步：使用numpy生成样本点
#使用numpy中linspace函数生成服从均匀分布的在（-0.5,0.5）之间的200个随机点
#[a:b,np.newaxis]表示给array中的第a个元素到第b个元素增加一个维度，如果不写a,b，表示给所有元素增加一个维度
x_data=np.linspace(-0.5,0.5,200)[:,np.newaxis]  #x_data就是一个200行1列的tensor
#生成干扰项，形状和x_data形状一样
noise=np.random.normal(0,0.02,x_data.shape)
y_data=np.square(x_data)+noise

#第二步，定义模型
#定义两个placeholder
x=tf.placeholder(tf.float32,[None,1])  #x是一个行不确定，1列的一个占位符
y=tf.placeholder(tf.float32,[None,1])  #y是一个行不确定，1列的一个占位符

#构建的神经网络模型中，输入层1个神经元，隐藏层10个神经元，输出层1个神经元

#定义神经网络的隐藏层
Weights_L1=tf.Variable(tf.random.normal([1,10]))
biases_L1=tf.Variable(tf.zeros([1,10]))
Wx_plus_b_L1=tf.matmul(x,Weights_L1)+biases_L1
L1=tf.nn.tanh(Wx_plus_b_L1)

#定义神经元输出层
Weights_L2=tf.Variable(tf.random.normal([10,1]))
biases_L2=t