程序功能:构造一
个满足一元二次函数 y = ax 2 +b 的原始数据,然后构建一个最简单的神经网络,仅包含一个输入
层、一个隐藏层和一个输出层。通过 TensorFlow 将隐藏层和输出层的 weights 和 biases 的值学
个满足一元二次函数 y = ax 2 +b 的原始数据,然后构建一个最简单的神经网络,仅包含一个输入
层、一个隐藏层和一个输出层。通过 TensorFlow 将隐藏层和输出层的 weights 和 biases 的值学
习出来,看看随着训练次数的增加,损失值是不是不断在减小。
代码如下:
# -*- coding:utf-8 -*- import tensorflow as tf import numpy as np # 构造满足一元二次函数 y = ax^2 +b 的原始数据 x_data = np.linspace(-1, 1, 300)[:, np.newaxis] noise = np.random.normal(0, 0.05, x_data.shape) y_data = np.square(x_data) - 0.5 + noise xs = tf.placeholder(tf.float32, [None, 1]) ys = tf.placeholder(tf.float32, [None, 1]) # 定义隐藏层和输出层 def add_layer(inputs, in_size, out_size, activation_functi=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 activation_functi is None: outputs = Wx_plus_b else: outputs = activation_functi(Wx_plus_b) return outputs h1 = add_layer(xs, 1, 20, activation_functi=tf.nn.relu) prediction = add_layer(h1, 20, 1, activation_functi=None) loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction), reduction_indices=[1])) train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) # 训练模型 init = tf.global_variables_initializer() sess = tf.Session() sess.run(init) for i in range(1000): sess.run(train_step, feed_dict={xs: x_data, ys:y_data}) if i % 50 == 0: print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))
结果如下(每次运行结果不一定会相同):