python進階TensorFlow神經網絡擬合線性及非線性函數(shù)
更新時間：2021年10月16日 11:58:47 作者：_睿智_
這篇文章是python進階學習主要介紹了TensorFlow神經網絡擬合線性及非線性函數(shù)原理及示例解析，有需要的朋友可以借鑒參考下，希望能夠有所幫助
一、擬合線性函數(shù)
學習率0.03，訓練1000次：
學習率0.05，訓練1000次：
學習率0.1，訓練1000次：
可以發(fā)現(xiàn)，學習率為0.05時的訓練效果是最好的。
生成隨機坐標
1、生成x坐標
2、生成隨機干擾
3、計算得到y(tǒng)坐標
4、畫點
# 生成隨機點
def Produce_Random_Data():
global x_data, y_data
# 生成x坐標
x_data = np.random.rand(100)
# 生成隨機干擾
noise = np.random.normal(0, 0.01, x_data.shape)
# 均值 標準差 輸出的形狀
# 計算y坐標
y_data = 0.2 * x_data + 0.3 + noise
# 畫點
plt.scatter(x_data, y_data)
神經網絡擬合
1、創(chuàng)建神經網絡
2、設置優(yōu)化器與損失函數(shù)
3、訓練（根據已有數(shù)據）
4、預測（給定橫坐標，預測縱坐標）
# 創(chuàng)建神經網絡（訓練及預測）
def Neural_Network():
# 1 創(chuàng)建神經網絡
model = tf.keras.Sequential()
# 為神經網絡添加層
model.add(tf.keras.layers.Dense(units=1, input_dim=1))
# 隱藏層 神經元個數(shù) 輸入神經元個數(shù)
# 2 設置優(yōu)化器與損失函數(shù)
model.compile(optimizer=SGD(0.05), loss='mse')
# 優(yōu)化器 學習率0.05 損失函數(shù)
# SGD：隨機梯度下降法
# mse：均方誤差
# 3 訓練
for i in range(1000):
# 訓練數(shù)據并返回損失
loss = model.train_on_batch(x_data, y_data)
# print(loss)
# 4 預測
y_pred = model.predict(x_data)
# 5 顯示預測結果（擬合線）
plt.plot(x_data, y_pred, 'r-', lw=3) #lw:線條粗細
代碼
# 擬合線性函數(shù)
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
from tensorflow.keras.optimizers import SGD
# 生成隨機點
def Produce_Random_Data():
global x_data, y_data
# 生成x坐標
x_data = np.random.rand(100)
# 生成隨機干擾
noise = np.random.normal(0, 0.01, x_data.shape)
# 均值 標準差 輸出的形狀
# 計算y坐標
y_data = 0.2 * x_data + 0.3 + noise
# 畫點
plt.scatter(x_data, y_data)
# 創(chuàng)建神經網絡（訓練及預測）
def Neural_Network():
# 1 創(chuàng)建神經網絡
model = tf.keras.Sequential()
# 為神經網絡添加層
model.add(tf.keras.layers.Dense(units=1, input_dim=1))
# 隱藏層 神經元個數(shù) 輸入神經元個數(shù)
# 2 設置優(yōu)化器與損失函數(shù)
model.compile(optimizer=SGD(0.05), loss='mse')
# 優(yōu)化器 學習率0.05 損失函數(shù)
# SGD：隨機梯度下降法
# mse：均方誤差
# 3 訓練
for i in range(1000):
# 訓練數(shù)據并返回損失
loss = model.train_on_batch(x_data, y_data)
# print(loss)
# 4 預測
y_pred = model.predict(x_data)
# 5 顯示預測結果（擬合線）
plt.plot(x_data, y_pred, 'r-', lw=3) #lw:線條粗細
# 1、生成隨機點
Produce_Random_Data()
# 2、神經網絡訓練與預測
Neural_Network()
plt.show()
二、擬合非線性函數(shù)
第一層10個神經元：
第一層5個神經元：
我感覺第一層5個神經元反而訓練效果比10個的好。。。
生成二次隨機點
步驟：
1、生成x坐標
2、生成隨機干擾
3、計算y坐標
4、畫散點圖
# 生成隨機點
def Produce_Random_Data():
global x_data, y_data
# 生成x坐標
x_data = np.linspace(-0.5, 0.5, 200)[:, np.newaxis]
# 增加一個維度
# 生成噪聲
noise = np.random.normal(0, 0.02, x_data.shape)
# 均值 方差
# 計算y坐標
y_data = np.square(x_data) + noise
# 畫散點圖
plt.scatter(x_data, y_data)
神經網絡擬合
步驟：
1、創(chuàng)建神經網絡
2、設置優(yōu)化器及損失函數(shù)
3、訓練（根據已有數(shù)據）
4、預測（給定橫坐標，預測縱坐標）
5、畫圖
# 神經網絡擬合（訓練及預測）
def Neural_Network():
# 1 創(chuàng)建神經網絡
model = tf.keras.Sequential()
# 添加層
# 注：input_dim(輸入神經元個數(shù))只需要在輸入層重視設置，后面的網絡可以自動推斷出該層的對應輸入
model.add(tf.keras.layers.Dense(units=5, input_dim=1, activation='tanh'))
# 神經元個數(shù) 輸入神經元個數(shù) 激活函數(shù)
model.add(tf.keras.layers.Dense(units=1, activation='tanh'))
# 2 設置優(yōu)化器和損失函數(shù)
model.compile(optimizer=SGD(0.3), loss='mse')
# 優(yōu)化器 學習率 損失函數(shù)(均方誤差)
# 3 訓練
for i in range(3000):
# 訓練一次數(shù)據，返回loss
loss = model.train_on_batch(x_data, y_data)
# 4 預測
y_pred = model.predict(x_data)
# 5 畫圖
plt.plot(x_data, y_pred, 'r-', lw=5)
代碼
# 擬合非線性函數(shù)
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
from tensorflow.keras.optimizers import SGD
# 生成隨機點
def Produce_Random_Data():
global x_data, y_data
# 生成x坐標
x_data = np.linspace(-0.5, 0.5, 200)[:, np.newaxis]
# 增加一個維度
# 生成噪聲
noise = np.random.normal(0, 0.02, x_data.shape)
# 均值 方差
# 計算y坐標
y_data = np.square(x_data) + noise
# 畫散點圖
plt.scatter(x_data, y_data)
# 神經網絡擬合（訓練及預測）
def Neural_Network():
# 1 創(chuàng)建神經網絡
model = tf.keras.Sequential()
# 添加層
# 注：input_dim(輸入神經元個數(shù))只需要在輸入層重視設置，后面的網絡可以自動推斷出該層的對應輸入
model.add(tf.keras.layers.Dense(units=5, input_dim=1, activation='tanh'))
# 神經元個數(shù) 輸入神經元個數(shù) 激活函數(shù)
model.add(tf.keras.layers.Dense(units=1, activation='tanh'))
# 輸出神經元個數(shù)
# 2 設置優(yōu)化器和損失函數(shù)
model.compile(optimizer=SGD(0.3), loss='mse')
# 優(yōu)化器 學習率 損失函數(shù)(均方誤差)
# 3 訓練
for i in range(3000):
# 訓練一次數(shù)據，返回loss
loss = model.train_on_batch(x_data, y_data)
# 4 預測
y_pred = model.predict(x_data)
# 5 畫圖
plt.plot(x_data, y_pred, 'r-', lw=5)
# 1、生成隨機點
Produce_Random_Data()
# 2、神經網絡訓練與預測
Neural_Network()
plt.show()
以上就是python進階TensorFlow神經網絡擬合線性及非線性函數(shù)的詳細內容，更多關于TensorFlow神經網絡擬合線性及非線性函數(shù)的資料請關注腳本之家其它相關文章！
相關文章
這篇文章主要介紹了python獲取當前日期和時間的方法,涉及Python操作日期與時間的相關技巧,非常具有實用價值,需要的朋友可以參考下2015-04-04
Python系統(tǒng)公網私網流量監(jiān)控實現(xiàn)流程
這篇文章主要介紹了Python系統(tǒng)公網私網流量監(jiān)控實現(xiàn)流程,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-11-11
這篇文章主要介紹了python 瀑布線指標編寫實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-06-06
這篇文章主要介紹了教你使用Python寫一個簡單的JSONParser,它的整個效果，有點類似于 python 標準庫 json 的 json.load() 方法,需要的朋友可以參考下2023-04-04
這篇文章主要介紹了python離散建模之感知器學習算法，感知機學習算法是支持向量機的基礎，支持向量機通過核函數(shù)進行非線性分類，支持向量機也是感知機算法的延伸，下面就來介紹感知算法的相關內容，需要的小伙伴可以參考一下2022-02-02
Python實現(xiàn)調用另一個路徑下py文件中的函數(shù)方法總結
這篇文章主要介紹了Python實現(xiàn)調用另一個路徑下py文件中的函數(shù)方法,結合實例形式總結分析了Python針對不同文件夾中py文件調用操作的處理技巧與相關注意事項,需要的朋友可以參考下2018-06-06
在數(shù)字化時代，很多人工作中經常和excel打交道。本文和大家分享四個Python操作excel的腳本，讓你工作效率更高，需要的小伙伴可以參考一下2022-11-11
下面小編就為大家?guī)硪黄猵ython面向對象_詳談類的繼承與方法的重載。小編覺得挺不錯的，現(xiàn)在就分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2017-06-06
matplotlib階梯圖的實現(xiàn)(step())
這篇文章主要介紹了matplotlib階梯圖的實現(xiàn)(step())，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2021-03-03
隊列是一種先進先出（First-In-First-Out，F(xiàn)IFO）的數(shù)據結構。隊列被用在很多地方，比如提交操作系統(tǒng)執(zhí)行的一系列進程、打印任務池等，一些仿真系統(tǒng)用隊列來模擬銀行或雜貨店里排隊的顧客。下面就介紹了Python中隊列的應用實戰(zhàn)，需要的可以參考。2017-02-02