import tensorflow as tf import numpy as np #我们用 tf.Variable 来创建描述 y 的参数. # 我们可以把 y_data = x_data*0.1 + 0.3 想象成 y=Weights * x + biases, # 然后神经网络也就是学着把 Weights 变成 0.1, biases 变成 0.3. x_data = np.float32(np.random.rand(100)) y_data = x_data*0.1+0.3 #搭建模型 shape = tf.Variable([1]) Weights = tf.Variable(tf.random_uniform(shape, -1.0, 1.0),validate_shape=False) biase = tf.Variable(tf.zeros([1])) y = Weights*x_data+biase #计算误差 loss = tf.reduce_mean(tf.square(y-y_data)) #优化器 #反向传递误差的工作就教给optimizer了, # 我们使用的误差传递方法是梯度下降法: Gradient Descent 让后我们使用 optimizer 来进行参数的更新. optimizier = tf.train.GradientDescentOptimizer(0.5) train = optimizier.minimize(loss) #初始化 init = tf.global_variables_initializer() #激活 sess = tf.Session()#创建一个会话。 sess.run(init)#来执行操作 #训练 for step in range(200): sess.run(train) if step % 20 == 0: print("步数:{} 权重:{} 偏向:{}".format(step, sess.run(Weights), sess.run(biase)))
利用tensorflow 搭建一个神经网络
猜你喜欢
转载自blog.csdn.net/qq_38900441/article/details/80215698
今日推荐
周排行