这一节使用TF搭建一个简单的神经网络用于回归预测，首先随机生成一组数据

  1. import tensorflow as tf
  2. import numpy as np
  3. import matplotlib.pyplot as plt
  4. tf.set_random_seed(42)
  5. np.random.seed(42)
  6. x = np.linspace(-1,1,100)[:,np.newaxis] #<==>x=x.reshape(100,1)
  7. noise = np.random.normal(0,0.1,size = x.shape)
  8. y=np.power(x,2) + x +noise #y=x^2 + x+噪音
  9. plt.scatter(x,y) 
  10. plt.show()

随机生成了一组数据，模型为\(y=x^2+x\)，看一下数据的分布

接下来搭建一个含有一个隐藏层的神经网络，损失选择使用均方差误差

  1. #模型部分
  2. tf_X = tf.placeholder(tf.float32,x.shape) #=>X
  3. tf_y = tf.placeholder(tf.float32,y.shape) #=>y
  5. output = tf.layers.dense(tf_X,10,tf.nn.relu,name="hidden")#隐藏层10个节点
  6. output = tf.layers.dense(output,1,name='output') #1个输出层
  7. #loss = tf.losses.mean_squared_error(tf_y,output)
  8. loss = tf.reduce_mean(tf.sqrt(tf.pow(tf_y-output,2)))
  9. optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.2)
  10. train_op = optimizer.minimize(loss)

其中tf.losses中提供了常用的损失函数实现，也可以自己去实现，开始训练模型

  1. with tf.Session() as sess:
  2.     sess.run(tf.global_variables_initializer())
  3.     plt.ion()
  4.     for step in range(100):
  5.         _,err,pred = sess.run([train_op,loss,output],feed_dict={tf_X:x,tf_y:y})
  6.         #cla()  # Clear axis
  7.         #clf()  # Clear figure
  8.         #close() # Close a figure window
  9.         plt.cla()#
  10.         plt.scatter(x,y)
  11.         plt.plot(x,pred,'r-',lw=5)
  12.         plt.text(0.5, 0, 'Loss=%.4f' % err, fontdict={'size': 20, 'color': 'red'})
  13.         #plt.show()
  14. plt.ioff()
  15. plt.show()

看一看效果：

note:上面使用了plt.cla方法，这是由于方便看到变化过程，将plot过程写入到了for循环中，为了避免发生意外错误将对象从内存中清空。

posted on 2018-03-25 17:32 Wanna_Go 阅读(…) 评论(…) 编辑 收藏

版权声明：本文为wxshi原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://www.cnblogs.com/wxshi/p/8645613.html