Python教程网
--左手Python,右手AI!

深度学习入门笔记4——基于 tensorflow 的回归代码实现

本系列将分为 8 篇 。今天是第四篇 。总是理论有些枯燥 ,今天来动手基于 TF 框架实现两个简单的案例 ,以小搏大熟悉一下整个过程 。整体来说 ,训练神经网络分为 3 个步骤 :

  1. 定义神经网络的结构和前向传播的输出结果
  2. 定义损失函数以及选择反向传播优化的算法
  3. 生成会话(tf.Session) 并在训练数据上反复运行反向传播优化算法

现以直线拟合和回归拟合两个简单案例来熟悉以上 3 个步骤 。

1.直线的拟合

比如我们现在要用 y = k * x + b (其中 k ,b为参数)通过多次的训练来拟合直线 y = 5 * x + 1 。

根据上述 3 个步骤 ,首先构造线性模型 y = k * x + b ,我们目的就是通过训练 ,使得参数 k ,b 去逼近真实值 5 ,1 。之后定义损失函数 ,这里我们用的是二次代价函数 ;选用梯度下降法进行优化 。最后在会话(tf.Session)中进行反复的优化 。具体代码和注释如下 :

运行结果如下 ,经过 100 轮的训练优化 ,参数的训练值已经很逼近真实值了 。

2.线性回归

回归问题和分类问题不太一样 ,分类是得到结果为 label ,表示类别 ,比如二分类问题等 ,是离散的 ,有限个类别 。回归则是连续的 ,具体看下面例子 。

本例中 ,我们用 y = x*x +noise 随机生成200个散点 ,用神经网络训练 ,拟合出较为理想的回归结果 。

同上述 3 个步骤 ,第一步是定义网络结构和基本信息 ,这部分代码造了一个 10 个节点的中间层 ,之后直接连接一个节点的输出 。输入散点则是利用 numpy 在区间(-0.5,0.5)间生成 200 个散点 ,并在输出中添加了 noise 信息 。具体如下。

这里选用的代价函数为二次代价函数 ,优化算法也是梯度下降法 。之后执行对应的训练 ,并将结果以绘图形式输出 。代码如下 :

运行该代码 ,得到的结果如下 。

本篇两个案例都比较简单 ,主要目的在于用两个简单实例熟悉神将网络训练的基本步骤 。最后 ,如果觉得这个系列不错 ,记得扫码关注噢 !

欢迎您的转发和点赞,以及欢迎扫码关注~


赞(6)
未经允许不得转载:Python教程网 » 深度学习入门笔记4——基于 tensorflow 的回归代码实现
分享到: 更多 (0)

评论 16

  1. #1

    深度学习入门笔记4——基于 tensorflow 的回归代码实现
    atdzmxlqvi
    [url=http://www.g9kl2nb6fbbj901p92sf6b4v07g9292rs.org/]utdzmxlqvi[/url]
    tdzmxlqvi http://www.g9kl2nb6fbbj901p92sf6b4v07g9292rs.org/

    匿名1个月前 (09-28)回复
  2. #2

    P.S. Maths Instruments

    匿名3周前 (10-10)回复
  3. #3

    Grain Metal Detector

    匿名3周前 (10-10)回复
  4. #4

    Commercial Coat Rack

    匿名3周前 (10-11)回复
  5. #5

    Alcohol Free Wipes

    匿名2周前 (10-12)回复
  6. #6

    Womens Purple Slippers

    匿名2周前 (10-12)回复
  7. #7

    Jean Yoga Pants

    匿名2周前 (10-14)回复
  8. #8

    Curved Treadmill

    匿名2周前 (10-14)回复
  9. #9

    Copper Welding Rod

    匿名2周前 (10-17)回复
  10. #10
  11. #11
  12. #12
  13. #13
  14. #14
  15. #15
  16. #16