博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
基于tensorflow的一元二次方程回归预测
阅读量:6927 次
发布时间:2019-06-27

本文共 4018 字,大约阅读时间需要 13 分钟。

2018年9月13日笔记

0.检测tensorflow环境

安装tensorflow命令:pip install tensorflow

下面一段代码能够成功运行,则说明安装tensorflow环境成功。

import tensorflow as tfhello = tf.constant('hello world')session = tf.Session()session.run(hello)

上面一段代码成功运行的结果如下图所示:

img_27f887d11dc8bb872da1888d38e667fd.png
image.png

1.数据准备

从下图可以看出,变量a为1维的ndarray对象时,a[:, np.newaxis]a.reshape(-1, 1)相同。

img_0441232024889d4c2e76573d3bfe29f5.png
image.png

import numpy as npX = np.linspace(-1, 1, 300)[:, np.newaxis].astype('float32')noise = np.random.normal(0, 0.05, X.shape).astype('float32')y = np.square(X) - 0.5 + noise

第1行代码导入numpy库,起别名np;

第3行代码调用np.linspace方法获得一个区间内的等间距点,例如np.linspace(0, 1, 11)是获取[0, 1]区间的11个等间距点。如下图所示:

img_da2dc00da10108ec1f54e997f0c6f80d.png
image.png
第4行代码调用np.random.normal方法初始化符合正态分布的点,第1个参数是正态分布的均值,第2个参数是正态分布的方差,第3个参数是返回值的shape,返回值的数据类型为ndarray对象。
第5行代码调用np.square方法对X中的每一个值求平方,
- 0.5使用了ndarray对象的广播特性,最后加上噪声noise,将计算结果赋值给变量y。

2.搭建神经网络

import tensorflow as tf Weights_1 = tf.Variable(tf.random_normal([1, 10]))biases_1 = tf.Variable(tf.zeros([1, 10]) + 0.1)Wx_plus_b_1 = tf.matmul(X, Weights_1) + biases_1outputs_1 = tf.nn.relu(Wx_plus_b_1)Weights_2 = tf.Variable(tf.random_normal([10, 1]))biases_2 = tf.Variable(tf.zeros([1, 1]) + 0.1)Wx_plus_b_2 = tf.matmul(outputs_1, Weights_2) + biases_2outputs_2 = Wx_plus_b_2loss = tf.reduce_mean(tf.square(y - outputs_2))optimizer = tf.train.AdamOptimizer(0.1)train = optimizer.minimize(loss)

第1行代码导入tensorflow库,起别名tf;

第3-6这4行代码定义神经网络中的输入层到第1隐层的连接;
第7-10这4行代码定义神经网络中的第1隐层到输出层的连接;
第3、7行代码定义Weights,它的形状是连接上一层神经元的个数*连接下一层神经元的个数
第4、8行代码定义biases,它是二维矩阵,行数一直为1,列数为连接下一层神经元的个数,即它的形状为1*连接下一层神经元的个数
第5、9行代码表示wx+b的计算结果;
第6行代码表示在第1个连接的输出结果,经过激活函数relu得出;
第10行代码表示在第2个连接的输出结果,因为此连接的下一层是输出层,所以不需要激活函数。
第11行代码定义损失函数,等同于回归预测中的MSE,中文叫做均方误差,数据类型如下图所示:

img_def550d08c4a71f3c7934a88075121a5.png
image.png
第12行代码调用tf.train库中的AdamOptimizer方法实例化优化器对象,数据类型如下图所示:
img_2da0515d26d91437af1d0522a9d36a77.png
image.png
第13行代码调用优化器的minimize方法定义训练方式,参数为损失函数。方法的返回结果赋值给变量train,数据类型如下图所示:
img_49b98416468b369b437707535f5053b6.png
image.png

3.变量初始化

init = tf.global_variables_initializer()session = tf.Session()session.run(init)

对于神经网络模型,重要是其中的W、b这两个参数。

开始神经网络模型训练之前,这两个变量需要初始化。
第1行代码调用tf.global_variables_initializer实例化tensorflow中的Operation对象。

img_eba6278c89eb8ef15ee4daee0eaab711.png
image.png

第2行代码调用tf.Session方法实例化会话对象;

第3行代码调用tf.Session对象的run方法做变量初始化。

4.模型训练

模型训练200次,每运行1次代码session.run(train)则模型训练1次。

在训练次数为20的整数倍时,打印训练步数、loss值。

for step in range(201):    session.run(train)    if step % 20 == 0:        print(step, 'loss:', session.run(loss))

上面一段代码的运行结果如下:

0 loss: 0.23739298

20 loss: 0.0074774586
40 loss: 0.0032493745
60 loss: 0.0026177235
80 loss: 0.0025075015
100 loss: 0.002472407
120 loss: 0.0024537172
140 loss: 0.002427246
160 loss: 0.002398049
180 loss: 0.002373801
200 loss: 0.002357695

5.完整代码

下面代码与前文相比,将搭建神经网络时重复定义Weights、biases的步骤封装成了函数。

import numpy as npimport tensorflow as tf X = np.linspace(-1, 1, 300)[:, np.newaxis].astype('float32')noise = np.random.normal(0, 0.05, X.shape).astype('float32')y = np.square(X) - 0.5 + noisedef addConnect(inputs, in_size, out_size, activation_function=None):    Weights = tf.Variable(tf.random_normal([in_size, out_size]))    biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)    Wx_plus_b = tf.matmul(inputs, Weights) + biases    if not activation_function:        return Wx_plus_b    else:        return activation_function(Wx_plus_b)connect_1 = addConnect(X, 1, 10, tf.nn.relu)predict_y = addConnect(connect_1, 10, 1)loss = tf.reduce_mean(tf.square(y - predict_y))optimizer = tf.train.AdamOptimizer(0.1)train = optimizer.minimize(loss)init = tf.global_variables_initializer()session = tf.Session()session.run(init)for step in range(201):    session.run(train)    if step % 20 == 0:        print(step, 'loss:', session.run(loss))

上面一段代码的运行结果如下:

0 loss: 0.28191957

20 loss: 0.011470509
40 loss: 0.0044303066
60 loss: 0.003392854
80 loss: 0.0031887146
100 loss: 0.0030761429
120 loss: 0.0029888747
140 loss: 0.0029117232
160 loss: 0.0028402375
180 loss: 0.0027794265
200 loss: 0.0027436544

6.可视化

前5节内容的可视化代码下载链接: 密码: 99ku

在下载文件visualization.py的同级目录下打开cmd。
运行命令:python visualization.py
可视化部分截图:

img_7141594204d05d34b8dde2e04dbfc46b.png
image.png

7.结论

1.这是本文作者写的第2篇关于tensorflow的文章,加深了对tensorflow框架的理解;

2.本文是作者学习《周莫烦tensorflow视频教程》的成果,感激前辈;
视频链接:
3.本文在周莫烦视频的基础上加入了自己的理解,add_layer函数修改为addConnect函数,本文作者认为更加贴切。

转载地址:http://rnujl.baihongyu.com/

你可能感兴趣的文章
IDEA中MAVEN项目打JAR包的简单方法
查看>>
乐视云监控数据存放到influxdb中
查看>>
.NET Core容器化@Docker
查看>>
正则表达式
查看>>
如何独立运行 django脚本(需要settings时)_贪婪的小猪_百度空间
查看>>
jQuery UI dialog插件出错信息:$(this).dialog is not a function
查看>>
WPF中使用DataGridView创建报表控件
查看>>
spring开发_spring环境搭建
查看>>
file_get_contents函数的超时控制(default_socket_timeout)
查看>>
面向对象之多态性(基类引用可以指向子类)
查看>>
JAVA选项事件
查看>>
Microsoft Team Foundation Server 2010 安装 序列号 注册码
查看>>
RoR网站如何利用lighttpd的X-sendfile功能提升文件下载性能
查看>>
操作XML的类
查看>>
眼高手低,你有这个毛病吗?
查看>>
node.js的request模块
查看>>
asp.net 进度条实现。。
查看>>
【Prism】网络应用脱离浏览器
查看>>
Grunt.js 初使用
查看>>
c语言中函数调用惯例
查看>>