基于Tensorflow 三层神经网络拟合二次函数（附代码与解析）

 

 

文章目录

• 前言
• 一、隐藏层函数
• 二、生成二次函数与损失函数
  • 1.二次函数与画图
  • 2.损失函数
• 三、训练数据
• 总结

 

---

前言

刚入手深度学习，结合这几天看的视频与内容，将其整合成文章

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、隐藏层函数

生成隐藏层函数  1.权重W，2.偏执b  3.激活函数。隐藏层输出为activate_function(wx+b)   

def add_layer(inputs,in_size,out_size,activation_function=None):
    Weights = tf.Variable(tf.random_normal(shape=[in_size,out_size]))
    biases = tf.Variable(tf.zeros([1,out_size])+0.1)
    Wx_b = tf.matmul(tf.cast(inputs,tf.float32),Weights)+biases
    if activation_function==None:
        outputs=Wx_b
    else:
        outputs = activation_function(Wx_b)
    return outputs

二、生成二次函数与交叉损失函数

1.二次函数

代码如下（示例）：

 

x_data = np.linspace(-1,1,300)[:,np.newaxis]
#在（-1，1）之间生成300个数据点，[300,1]
noise = np.random.normal(0,0.02,x_data.shape)
#利用np库 均值为0，方差为0.05    与x_data的大小相同
y_data = np.square(x_data)-0.5+noise

 

2.交叉损失函数

代码如下（示例）

在此过程中，如果你使用的是Tensorflow2.0需要将函数进行相应的变换

#定义占位符，更好的进行训练 定义shape 与 dtype
xs = tf.placeholder(shape=[None,1],dtype=tf.float32)
ys = tf.placeholder(shape=[None,1],dtype=tf.float32)
#添加隐藏层 和输出层
#l1 = add_layer(xs,1,10,activation_function=tf.nn.relu)
l1 = add_layer(xs,1,10,activation_function=tf.nn.sigmoid)
#print('l1:',l1)
prediction = add_layer(l1,10,1,activation_function=None)
#定义损失函数  按列求和 利用梯度下降算法使得loss最小
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1]))
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
#train_step = train_step.minimize(loss)

三、训练数据与画图

在此过程中：1需要对变量进行激活，并对网络进行初始化

init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)

 2.利用matplotlib库画图

fig =plt.figure()
ax = fig.add_subplot(111)
ax.scatter(x_data,y_data)
plt.ion()
plt.show()

3,.训练与动态画图

init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)
fig =plt.figure()
ax = fig.add_subplot(111)
ax.scatter(x_data,y_data)
plt.ion()
plt.show()
#进行训练
for i in range(2001):
    sess.run(train_step,feed_dict={xs:x_data,ys:y_data})
    if i%50==0:
        print('step:',i,sess.run(loss,feed_dict={xs:x_data,ys:y_data}))
        #ax.lines.remove(lines[0])
        try:
            ax.lines.remove(lines[0])
        except Exception:
            pass
        #先抹除再划线
        prediction_value = sess.run(prediction,feed_dict={xs:x_data})
        lines = ax.plot(x_data,prediction_value,'r-',lw=5)
        #ax.lines.remove(lines[0])
        plt.pause(0.2)

---

总结

本人还是一个新手，需要大家一起努力共同学习。