import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
def add_layer(inputs,in_size,out_size,activation_function=None): # 输入值,输入的大小,输出的大小,激励函数
Weights = tf.Variable(tf.random_normal([in_size,out_size])) #定义矩阵 随机变量生成初始的时候会比全0的好
# 定义weights为一个in_size行, out_size列的随机变量矩阵
biases = tf.Variable(tf.zeros([1,out_size]) + 0.1) # 推荐初始值不为0
Wx_plus_b = tf.matmul(inputs,Weights) + biases
# 当激励函数为None时,输出就是当前的预测值——Wx_plus_b
# 不为None时,就把Wx_plus_b传到activation_function()函数中得到输出。
if activation_function is None: # 线性关系,就不需要再加非线性方程
outputs = Wx_plus_b
else:
outputs = activation_function(Wx_plus_b)
return outputs
x_data = np.linspace(-1,1,300)[:,np.newaxis] # 加一个维度 转换成300行1列
# print(x_data)
noise = np.random.normal(0,0.05,x_data.shape) # 期望,方差,格式
y_data = np.square(x_data) - 0.5 + noise
xs = tf.placeholder(tf.float32,[None,1])
ys = tf.placeholder(tf.float32,[None,1])
# None代表无论输入有多少都可以,因为输入只有一个特征,所以这里是1
l1 = add_layer(xs,1,10,activation_function=tf.nn.relu) # 隐藏层
prediction = add_layer(l1,10,1,activation_function=None) # 输出层 输入10层,输出1层
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),
reduction_indices=[1])) #
train_step = tf.train.GradientDescentOptimizer(0.08).minimize(loss)
# 优化器 目标,最小化误差
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
fig = plt.figure()
ax = fig.add_subplot(1,1,1)
ax.scatter(x_data,y_data)
for i in range(1500):
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}))
try:
ax.lines.remove(lines[0]) # 去除掉lines的第一个单位
except Exception:
pass
prediction_value = sess.run(prediction,feed_dict={xs:x_data})
# prediction.append(sess.run(loss,feed_dict={xs:x_data,ys:y_data}))
# 每隔50次训练刷新一次图形,用红色、宽度为5的线来显示我们的预测数据和输入之间的关系,并暂停0.3s。
lines = ax.plot(x_data,prediction_value,'r-',lw=5)
plt.pause(0.3)
plt.show()
TensorFlow练习(五)——结果可视化(线性回归LinearRegression)
猜你喜欢
转载自blog.csdn.net/yueguizhilin/article/details/77718168
今日推荐
周排行