python進(jìn)階TensorFlow神經(jīng)網(wǎng)絡(luò)擬合線性及非線性函數(shù)

更新時(shí)間：2021年10月16日 11:58:47 作者：_睿智_

這篇文章是python進(jìn)階學(xué)習(xí)主要介紹了TensorFlow神經(jīng)網(wǎng)絡(luò)擬合線性及非線性函數(shù)原理及示例解析，有需要的朋友可以借鑒參考下，希望能夠有所幫助

一、擬合線性函數(shù)

學(xué)習(xí)率0.03，訓(xùn)練1000次：

學(xué)習(xí)率0.05，訓(xùn)練1000次：

學(xué)習(xí)率0.1，訓(xùn)練1000次：

可以發(fā)現(xiàn)，學(xué)習(xí)率為0.05時(shí)的訓(xùn)練效果是最好的。

生成隨機(jī)坐標(biāo)

1、生成x坐標(biāo)

2、生成隨機(jī)干擾

3、計(jì)算得到y(tǒng)坐標(biāo)

4、畫點(diǎn)

# 生成隨機(jī)點(diǎn)
def Produce_Random_Data():
    global x_data, y_data
    # 生成x坐標(biāo)
    x_data = np.random.rand(100)
     # 生成隨機(jī)干擾
    noise = np.random.normal(0, 0.01, x_data.shape)
    #                       均值 標(biāo)準(zhǔn)差 輸出的形狀
     # 計(jì)算y坐標(biāo)
    y_data = 0.2 * x_data + 0.3 + noise
     # 畫點(diǎn)
    plt.scatter(x_data, y_data)

神經(jīng)網(wǎng)絡(luò)擬合

1、創(chuàng)建神經(jīng)網(wǎng)絡(luò)

2、設(shè)置優(yōu)化器與損失函數(shù)

3、訓(xùn)練（根據(jù)已有數(shù)據(jù)）

4、預(yù)測(cè)（給定橫坐標(biāo)，預(yù)測(cè)縱坐標(biāo)）

# 創(chuàng)建神經(jīng)網(wǎng)絡(luò)（訓(xùn)練及預(yù)測(cè)）
def Neural_Network():
    # 1 創(chuàng)建神經(jīng)網(wǎng)絡(luò)
    model = tf.keras.Sequential()
    # 為神經(jīng)網(wǎng)絡(luò)添加層
    model.add(tf.keras.layers.Dense(units=1, input_dim=1))
#                             隱藏層 神經(jīng)元個(gè)數(shù) 輸入神經(jīng)元個(gè)數(shù)
    # 2 設(shè)置優(yōu)化器與損失函數(shù)
    model.compile(optimizer=SGD(0.05), loss='mse')
#                 優(yōu)化器     學(xué)習(xí)率0.05  損失函數(shù)
# SGD：隨機(jī)梯度下降法
# mse：均方誤差
    # 3 訓(xùn)練
    for i in range(1000):
        # 訓(xùn)練數(shù)據(jù)并返回?fù)p失
        loss = model.train_on_batch(x_data, y_data)
        # print(loss)
     # 4 預(yù)測(cè)
    y_pred = model.predict(x_data)
     # 5 顯示預(yù)測(cè)結(jié)果（擬合線）
    plt.plot(x_data, y_pred, 'r-', lw=3)    #lw:線條粗細(xì)

代碼

# 擬合線性函數(shù)
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
from tensorflow.keras.optimizers import SGD 
# 生成隨機(jī)點(diǎn)
def Produce_Random_Data():
    global x_data, y_data
    # 生成x坐標(biāo)
    x_data = np.random.rand(100) 
    # 生成隨機(jī)干擾
    noise = np.random.normal(0, 0.01, x_data.shape)
    #                       均值 標(biāo)準(zhǔn)差 輸出的形狀
     # 計(jì)算y坐標(biāo)
    y_data = 0.2 * x_data + 0.3 + noise 
    # 畫點(diǎn)
    plt.scatter(x_data, y_data)
  
# 創(chuàng)建神經(jīng)網(wǎng)絡(luò)（訓(xùn)練及預(yù)測(cè)）
def Neural_Network():
    # 1 創(chuàng)建神經(jīng)網(wǎng)絡(luò)
    model = tf.keras.Sequential()
    # 為神經(jīng)網(wǎng)絡(luò)添加層
    model.add(tf.keras.layers.Dense(units=1, input_dim=1))
#                             隱藏層 神經(jīng)元個(gè)數(shù) 輸入神經(jīng)元個(gè)數(shù)
    # 2 設(shè)置優(yōu)化器與損失函數(shù)
    model.compile(optimizer=SGD(0.05), loss='mse')
#                 優(yōu)化器     學(xué)習(xí)率0.05  損失函數(shù)
# SGD：隨機(jī)梯度下降法
# mse：均方誤差
     # 3 訓(xùn)練
    for i in range(1000):
        # 訓(xùn)練數(shù)據(jù)并返回?fù)p失
        loss = model.train_on_batch(x_data, y_data)
        # print(loss)
     # 4 預(yù)測(cè)
    y_pred = model.predict(x_data)
 
    # 5 顯示預(yù)測(cè)結(jié)果（擬合線）
    plt.plot(x_data, y_pred, 'r-', lw=3)    #lw:線條粗細(xì) 
# 1、生成隨機(jī)點(diǎn)
Produce_Random_Data()
 
# 2、神經(jīng)網(wǎng)絡(luò)訓(xùn)練與預(yù)測(cè)
Neural_Network()
 
plt.show()

二、擬合非線性函數(shù)

第一層10個(gè)神經(jīng)元：

第一層5個(gè)神經(jīng)元：

我感覺第一層5個(gè)神經(jīng)元反而訓(xùn)練效果比10個(gè)的好。。。

生成二次隨機(jī)點(diǎn)

步驟：

1、生成x坐標(biāo)

2、生成隨機(jī)干擾

3、計(jì)算y坐標(biāo)

4、畫散點(diǎn)圖

# 生成隨機(jī)點(diǎn)
def Produce_Random_Data():
    global x_data, y_data
    # 生成x坐標(biāo)
    x_data = np.linspace(-0.5, 0.5, 200)[:, np.newaxis]
    #                                       增加一個(gè)維度
     # 生成噪聲
    noise = np.random.normal(0, 0.02, x_data.shape)
    #                       均值 方差 
    # 計(jì)算y坐標(biāo)
    y_data = np.square(x_data) + noise 
    # 畫散點(diǎn)圖
    plt.scatter(x_data, y_data)

神經(jīng)網(wǎng)絡(luò)擬合

步驟：

1、創(chuàng)建神經(jīng)網(wǎng)絡(luò)

2、設(shè)置優(yōu)化器及損失函數(shù)

3、訓(xùn)練（根據(jù)已有數(shù)據(jù)）

4、預(yù)測(cè)（給定橫坐標(biāo)，預(yù)測(cè)縱坐標(biāo)）

5、畫圖

# 神經(jīng)網(wǎng)絡(luò)擬合（訓(xùn)練及預(yù)測(cè)）
def Neural_Network():
    # 1 創(chuàng)建神經(jīng)網(wǎng)絡(luò)
    model = tf.keras.Sequential()
    # 添加層
    # 注：input_dim(輸入神經(jīng)元個(gè)數(shù))只需要在輸入層重視設(shè)置，后面的網(wǎng)絡(luò)可以自動(dòng)推斷出該層的對(duì)應(yīng)輸入
    model.add(tf.keras.layers.Dense(units=5,  input_dim=1, activation='tanh'))
#                                   神經(jīng)元個(gè)數(shù) 輸入神經(jīng)元個(gè)數(shù) 激活函數(shù)
    model.add(tf.keras.layers.Dense(units=1, activation='tanh')) 
    # 2 設(shè)置優(yōu)化器和損失函數(shù)
    model.compile(optimizer=SGD(0.3), loss='mse')
#                 優(yōu)化器     學(xué)習(xí)率     損失函數(shù)(均方誤差) 
    # 3 訓(xùn)練
    for i in range(3000):
        # 訓(xùn)練一次數(shù)據(jù)，返回loss
        loss = model.train_on_batch(x_data, y_data) 
    # 4 預(yù)測(cè)
    y_pred = model.predict(x_data) 
    # 5 畫圖
    plt.plot(x_data, y_pred, 'r-', lw=5)

代碼

# 擬合非線性函數(shù)
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
from tensorflow.keras.optimizers import SGD 
# 生成隨機(jī)點(diǎn)
def Produce_Random_Data():
    global x_data, y_data
    # 生成x坐標(biāo)
    x_data = np.linspace(-0.5, 0.5, 200)[:, np.newaxis]
    #                                       增加一個(gè)維度 
    # 生成噪聲
    noise = np.random.normal(0, 0.02, x_data.shape)
    #                       均值 方差 
    # 計(jì)算y坐標(biāo)
    y_data = np.square(x_data) + noise 
    # 畫散點(diǎn)圖
    plt.scatter(x_data, y_data) 
# 神經(jīng)網(wǎng)絡(luò)擬合（訓(xùn)練及預(yù)測(cè)）
def Neural_Network():
    # 1 創(chuàng)建神經(jīng)網(wǎng)絡(luò)
    model = tf.keras.Sequential() 
    # 添加層
    # 注：input_dim(輸入神經(jīng)元個(gè)數(shù))只需要在輸入層重視設(shè)置，后面的網(wǎng)絡(luò)可以自動(dòng)推斷出該層的對(duì)應(yīng)輸入
    model.add(tf.keras.layers.Dense(units=5, input_dim=1, activation='tanh'))
#                                   神經(jīng)元個(gè)數(shù)  輸入神經(jīng)元個(gè)數(shù) 激活函數(shù)
    model.add(tf.keras.layers.Dense(units=1, activation='tanh'))
    #                               輸出神經(jīng)元個(gè)數(shù) 
    # 2 設(shè)置優(yōu)化器和損失函數(shù)
    model.compile(optimizer=SGD(0.3), loss='mse')
#                 優(yōu)化器     學(xué)習(xí)率     損失函數(shù)(均方誤差) 
    # 3 訓(xùn)練
    for i in range(3000):
        # 訓(xùn)練一次數(shù)據(jù)，返回loss
        loss = model.train_on_batch(x_data, y_data) 
    # 4 預(yù)測(cè)
    y_pred = model.predict(x_data)
    # 5 畫圖
    plt.plot(x_data, y_pred, 'r-', lw=5)
# 1、生成隨機(jī)點(diǎn)
Produce_Random_Data()
 
# 2、神經(jīng)網(wǎng)絡(luò)訓(xùn)練與預(yù)測(cè)
Neural_Network()
 
plt.show()

以上就是python進(jìn)階TensorFlow神經(jīng)網(wǎng)絡(luò)擬合線性及非線性函數(shù)的詳細(xì)內(nèi)容，更多關(guān)于TensorFlow神經(jīng)網(wǎng)絡(luò)擬合線性及非線性函數(shù)的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

您可能感興趣的文章: