神经网络曲面拟合神经网络拟合方程

转载

davisl 2024-04-16 18:12:15

文章标签 神经网络曲面拟合神经网络人工智能 TensorFlow 迭代 文章分类 神经网络人工智能

TensorFlow是Google开源的一个深度学习框架，之前接触过一些但是没有好好的深入了解，从这篇文章开始记录自己所学到的知识。本次主要记录一个简单的例子，以后会慢慢深入，包括多层神经网络，卷积神经网络，循环神经网络，自编码网络，深度神经网络和对抗神经网络。

实例描述

假设有一组数据集，其中x与y的对应关系为：y = 3x + 0.5。我们想让神经网络学习这些样本，并从中找到这个规律，通俗来说就是让神经网络学习到方程中的参数3和0.5 。

实现过程

（1）准备数据

首先用numpy生成1个含有100个数据的随机序列x，然后写出y与x的对应关系。

import tensorflow as tf
import numpy as np

x = np.linspace(-1,1,100)  
b = 0.5
y = 3 * x + b

（2）创建模型

这里xs,ys是占位符，代表了x和y的输入。Weights和bias代表了权值和偏置，pre代表了Weights * xs + bias的结果，也就是预测的结果。

xs = tf.placeholder(tf.float32)
ys = tf.placeholder(tf.float32)

Weights = tf.Variable(tf.random_normal([1]))
biases = tf.Variable(tf.zeros([1]) + 0.1)

pre = tf.multiply(Weights,xs) + biases

接下来是反向搭建模型，神经网络在训练过程中数据的流向有两个方向。简单来说首先通过正向生成一个值，然后在与实际值进行比较，观察其中的差距，再通过反向过程调整参数，也就是这里的Weights和bias。

这里的损失函数采用平方损失，学习率设置为0.1，优化器选择GradientDescentOptimizer也就是一个梯度下降的算法。这里学习率可以随意设置，一般来说这个值是小于1的，它代表了参数调整的速度。这个值越大，代表调整速度越快，但是不精确；值越小，表明调整的精度越高，但是速度慢。我们这里选择0.1就可以。

loss = tf.reduce_mean(tf.square(pre - ys))

optimizer = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

（3）训练模型

这里先初始化所需要的变量然后进行迭代，迭代50次，每5次打印一下Weights和bias的值。

init = tf.global_variables_initializer()

sess = tf.Session()
sess.run(init)

for i in range(50):
    sess.run(optimizer,feed_dict={xs:x,ys:y})
    if i % 5 == 0:
        print(sess.run(Weights),sess.run(biases))

运行结果如下

神经网络曲面拟合神经网络拟合方程_TensorFlow