莫烦Tensorflow学习代码五（二次函数训练）

莫烦Tensorflow学习代码五（二次函数训练）

这个例子是回归，首先制作300个数据集，并且以点的形式在图中画出，然后由简单的网络训练，最终画出预测曲线
思维导图：

一、首先制作数据

x_data = np.linspace(-1,1,300)[:,np.newaxis].astype('float32')
noise = np.random.normal(0,0.05,x_data.shape)
y_data = np.square(x_data)-0.5 + noise

二、写出添加层的函数

#四个参数分别是，输入，输入的数量，输出的数量，激励函数
def add_layer(inputs,in_size,out_size,activation_function=None):
    Weights = tf.Variable(tf.random_normal([in_size,out_size]))#用正态分布产生随机数
    biases = tf.Variable(tf.zeros([1,out_size])+0.1)#biases建议不为0
    Wx_plus_b = tf.matmul(inputs,Weights) + biases
    #用激励函数处理
    if activation_function is None:
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b)
    return outputs

三、搭建网络

xs = tf.placeholder(tf.float32,[None,1])
ys = tf.placeholder(tf.float32,[None,1])
l1 = add_layer(xs,1,10,activation_function=tf.nn.relu)#输入一个神经元，输出十个神经元，用relu激励函数
prediction = add_layer(l1,10,1,activation_function=None)#输入十个神经元，输出一个神经元

四、梯度下降优化

loss = tf.reduce_mean(tf.square(ys - prediction))#loss函数
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)#梯度下降优化器

五、可视化模块

fig = plt.figure()#生产图片框
ax = fig.add_subplot(1,1,1)
ax.scatter(x_data,y_data)#以点的形式画出原始数据
plt.ion()#遇到plt.show()还是会继续执行代码，而不是暂停
plt.show()

六、总代码

import tensorflow._api.v2.compat.v1 as tf
import numpy as np
import  matplotlib.pyplot as plt
tf.disable_v2_behavior()
#定义神经层
def add_layer(inputs,in_size,out_size,activation_function=None):
    Weights = tf.Variable(tf.random_normal([in_size,out_size]))#用正态分布产生随机数
    biases = tf.Variable(tf.zeros([1,out_size])+0.1)#biases建议不为0
    Wx_plus_b = tf.matmul(inputs,Weights) + biases
    #用激励函数处理
    if activation_function is None:
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b)
    return outputs
#制作数据集
#-1到1之间生成300个数的等差，[:,np.newaxis]将其变成300行1列的矩阵
x_data = np.linspace(-1,1,300)[:,np.newaxis].astype('float32')
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])
l1 = add_layer(xs,1,10,activation_function=tf.nn.relu)#输入一个神经元，输出十个神经元，用relu激励函数
prediction = add_layer(l1,10,1,activation_function=None)#输入十个神经元，输出一个神经元

loss = tf.reduce_mean(tf.square(ys - prediction))#loss函数
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)#梯度下降优化器

init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)
#可视化
fig = plt.figure()#生产图片框
ax = fig.add_subplot(1,1,1)
ax.scatter(x_data,y_data)#以点的形式画出原始数据
plt.ion()#遇到plt.show()还是会继续执行代码，而不是暂停
plt.show()

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}))
       try:
           ax.lines.remove(lines[0])#抹除上一条线
       except Exception:
           pass
       prediction_value = sess.run(prediction,feed_dict={xs:x_data})
       lines = ax.plot(x_data,prediction_value,'r-',lw=5)
       plt.pause(0.1)
plt.pause(0)

预测结果