python进阶TensorFlow神经网络拟合线性及非线性函数
发布日期：2021-12-24 22:37 | 文章来源：脚本之家
一、拟合线性函数
学习率0.03，训练1000次：
学习率0.05，训练1000次：
学习率0.1，训练1000次：
可以发现，学习率为0.05时的训练效果是最好的。
生成随机坐标
1、生成x坐标
2、生成随机干扰
3、计算得到y坐标
4、画点
# 生成随机点 def Produce_Random_Data(): global x_data, y_data # 生成x坐标 x_data = np.random.rand(100) # 生成随机干扰 noise = np.random.normal(0, 0.01, x_data.shape) # 均值 标准差 输出的形状 # 计算y坐标 y_data = 0.2 * x_data + 0.3 + noise # 画点 plt.scatter(x_data, y_data)
神经网络拟合
1、创建神经网络
2、设置优化器与损失函数
3、训练（根据已有数据）
4、预测（给定横坐标，预测纵坐标）
# 创建神经网络（训练及预测） def Neural_Network(): # 1 创建神经网络 model = tf.keras.Sequential() # 为神经网络添加层 model.add(tf.keras.layers.Dense(units=1, input_dim=1)) # 隐藏层 神经元个数 输入神经元个数 # 2 设置优化器与损失函数 model.compile(optimizer=SGD(0.05), loss='mse') # 优化器 学习率0.05 损失函数 # SGD：随机梯度下降法 # mse：均方误差 # 3 训练 for i in range(1000): # 训练数据并返回损失 loss = model.train_on_batch(x_data, y_data) # print(loss) # 4 预测 y_pred = model.predict(x_data) # 5 显示预测结果（拟合线） plt.plot(x_data, y_pred, 'r-', lw=3) #lw:线条粗细
代码
# 拟合线性函数 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 # 生成随机点 def Produce_Random_Data(): global x_data, y_data # 生成x坐标 x_data = np.random.rand(100) # 生成随机干扰 noise = np.random.normal(0, 0.01, x_data.shape) # 均值 标准差 输出的形状 # 计算y坐标 y_data = 0.2 * x_data + 0.3 + noise # 画点 plt.scatter(x_data, y_data) # 创建神经网络（训练及预测） def Neural_Network(): # 1 创建神经网络 model = tf.keras.Sequential() # 为神经网络添加层 model.add(tf.keras.layers.Dense(units=1, input_dim=1)) # 隐藏层 神经元个数 输入神经元个数 # 2 设置优化器与损失函数 model.compile(optimizer=SGD(0.05), loss='mse') # 优化器 学习率0.05 损失函数 # SGD：随机梯度下降法 # mse：均方误差 # 3 训练 for i in range(1000): # 训练数据并返回损失 loss = model.train_on_batch(x_data, y_data) # print(loss) # 4 预测 y_pred = model.predict(x_data) # 5 显示预测结果（拟合线） plt.plot(x_data, y_pred, 'r-', lw=3) #lw:线条粗细 # 1、生成随机点 Produce_Random_Data() # 2、神经网络训练与预测 Neural_Network() plt.show()
二、拟合非线性函数
第一层10个神经元：
第一层5个神经元：
我感觉第一层5个神经元反而训练效果比10个的好。。。
生成二次随机点
步骤：
1、生成x坐标
2、生成随机干扰
3、计算y坐标
4、画散点图
# 生成随机点 def Produce_Random_Data(): global x_data, y_data # 生成x坐标 x_data = np.linspace(-0.5, 0.5, 200)[:, np.newaxis] # 增加一个维度 # 生成噪声 noise = np.random.normal(0, 0.02, x_data.shape) # 均值 方差 # 计算y坐标 y_data = np.square(x_data) + noise # 画散点图 plt.scatter(x_data, y_data)
神经网络拟合
步骤：
1、创建神经网络
2、设置优化器及损失函数
3、训练（根据已有数据）
4、预测（给定横坐标，预测纵坐标）
5、画图
# 神经网络拟合（训练及预测） def Neural_Network(): # 1 创建神经网络 model = tf.keras.Sequential() # 添加层 # 注：input_dim(输入神经元个数)只需要在输入层重视设置，后面的网络可以自动推断出该层的对应输入 model.add(tf.keras.layers.Dense(units=5, input_dim=1, activation='tanh')) # 神经元个数 输入神经元个数 激活函数 model.add(tf.keras.layers.Dense(units=1, activation='tanh')) # 2 设置优化器和损失函数 model.compile(optimizer=SGD(0.3), loss='mse') # 优化器 学习率 损失函数(均方误差) # 3 训练 for i in range(3000): # 训练一次数据，返回loss loss = model.train_on_batch(x_data, y_data) # 4 预测 y_pred = model.predict(x_data) # 5 画图 plt.plot(x_data, y_pred, 'r-', lw=5)
代码
# 拟合非线性函数 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 # 生成随机点 def Produce_Random_Data(): global x_data, y_data # 生成x坐标 x_data = np.linspace(-0.5, 0.5, 200)[:, np.newaxis] # 增加一个维度 # 生成噪声 noise = np.random.normal(0, 0.02, x_data.shape) # 均值 方差 # 计算y坐标 y_data = np.square(x_data) + noise # 画散点图 plt.scatter(x_data, y_data) # 神经网络拟合（训练及预测） def Neural_Network(): # 1 创建神经网络 model = tf.keras.Sequential() # 添加层 # 注：input_dim(输入神经元个数)只需要在输入层重视设置，后面的网络可以自动推断出该层的对应输入 model.add(tf.keras.layers.Dense(units=5, input_dim=1, activation='tanh')) # 神经元个数 输入神经元个数 激活函数 model.add(tf.keras.layers.Dense(units=1, activation='tanh')) #输出神经元个数 # 2 设置优化器和损失函数 model.compile(optimizer=SGD(0.3), loss='mse') # 优化器 学习率 损失函数(均方误差) # 3 训练 for i in range(3000): # 训练一次数据，返回loss loss = model.train_on_batch(x_data, y_data) # 4 预测 y_pred = model.predict(x_data) # 5 画图 plt.plot(x_data, y_pred, 'r-', lw=5) # 1、生成随机点 Produce_Random_Data() # 2、神经网络训练与预测 Neural_Network() plt.show()
以上就是python进阶TensorFlow神经网络拟合线性及非线性函数的详细内容，更多关于TensorFlow神经网络拟合线性及非线性函数的资料请关注本站其它相关文章！
版权声明：本站文章来源标注为YINGSOO的内容版权均为本站所有，欢迎引用、转载，请保持原文完整并注明来源及原文链接。禁止复制或仿造本网站，禁止在非www.yingsoo.com所属的服务器上建立镜像，否则将依法追究法律责任。本站部分内容来源于网友推荐、互联网收集整理而来，仅供学习参考，不代表本站立场，如有内容涉嫌侵权，请联系alex-e#qq.com处理。
相关文章
关注官方微信