python进阶TensorFlow神经网络拟合线性及非线性函数 python进阶TensorFlow神经网络拟合

一、拟合线性函数

生成随机坐标
神经网络拟合
代码

二、拟合非线性函数

生成二次随机点
神经网络拟合
代码

一、拟合线性函数学习率0.03，训练1000次：

文章图片

学习率0.05，训练1000次：

文章图片

学习率0.1，训练1000次：

文章图片

可以发现，学习率为0.05时的训练效果是最好的。

生成随机坐标
1、生成x坐标
2、生成随机干扰
3、计算得到y坐标
4、画点

# 生成随机点def Produce_Random_Data():global x_data, y_data# 生成x坐标x_data = https://www.it610.com/article/np.random.rand(100)# 生成随机干扰noise = np.random.normal(0, 0.01, x_data.shape)#均值标准差输出的形状# 计算y坐标y_data = 0.2 * x_data + 0.3 + noise# 画点plt.scatter(x_data, y_data)

神经网络拟合
1、创建神经网络
2、设置优化器与损失函数
3、训练（根据已有数据）
4、预测（给定横坐标，预测纵坐标）

# 创建神经网络（训练及预测）def Neural_Network():# 1 创建神经网络model = tf.keras.Sequential()# 为神经网络添加层model.add(tf.keras.layers.Dense(units=1, input_dim=1))#隐藏层神经元个数输入神经元个数# 2 设置优化器与损失函数model.compile(optimizer=SGD(0.05), loss='mse')#优化器学习率0.05损失函数# SGD：随机梯度下降法# mse：均方误差# 3 训练for i in range(1000):# 训练数据并返回损失loss = model.train_on_batch(x_data, y_data)# print(loss)# 4 预测y_pred = model.predict(x_data)# 5 显示预测结果（拟合线）plt.plot(x_data, y_pred, 'r-', lw=3)#lw:线条粗细

代码

# 拟合线性函数import osos.environ['TF_CPP_MIN_LOG_LEVEL']='2'import numpy as npimport matplotlib.pyplot as pltimport tensorflow as tffrom tensorflow.keras.optimizers import SGD # 生成随机点def Produce_Random_Data():global x_data, y_data# 生成x坐标x_data = https://www.it610.com/article/np.random.rand(100) # 生成随机干扰noise = np.random.normal(0, 0.01, x_data.shape)#均值标准差输出的形状# 计算y坐标y_data = 0.2 * x_data + 0.3 + noise # 画点plt.scatter(x_data, y_data)# 创建神经网络（训练及预测）def Neural_Network():# 1 创建神经网络model = tf.keras.Sequential()# 为神经网络添加层model.add(tf.keras.layers.Dense(units=1, input_dim=1))#隐藏层神经元个数输入神经元个数# 2 设置优化器与损失函数model.compile(optimizer=SGD(0.05), loss='mse')#优化器学习率0.05损失函数# SGD：随机梯度下降法# mse：均方误差# 3 训练for i in range(1000):# 训练数据并返回损失loss = model.train_on_batch(x_data, y_data)# print(loss)# 4 预测y_pred = model.predict(x_data) # 5 显示预测结果（拟合线）plt.plot(x_data, y_pred, 'r-', lw=3)#lw:线条粗细 # 1、生成随机点Produce_Random_Data() # 2、神经网络训练与预测Neural_Network() plt.show()

二、拟合非线性函数第一层10个神经元：

文章图片

第一层5个神经元：

文章图片

我感觉第一层5个神经元反而训练效果比10个的好。。。

生成二次随机点
步骤：
1、生成x坐标
2、生成随机干扰
3、计算y坐标
4、画散点图

# 生成随机点def Produce_Random_Data():global x_data, y_data# 生成x坐标x_data = https://www.it610.com/article/np.linspace(-0.5, 0.5, 200)[:, np.newaxis]#增加一个维度# 生成噪声noise = np.random.normal(0, 0.02, x_data.shape)#均值方差 # 计算y坐标y_data = np.square(x_data) + noise # 画散点图plt.scatter(x_data, y_data)

神经网络拟合
步骤：
1、创建神经网络
2、设置优化器及损失函数
3、训练（根据已有数据）
4、预测（给定横坐标，预测纵坐标）
5、画图

# 神经网络拟合（训练及预测）def Neural_Network():# 1 创建神经网络model = tf.keras.Sequential()# 添加层# 注：input_dim(输入神经元个数)只需要在输入层重视设置，后面的网络可以自动推断出该层的对应输入model.add(tf.keras.layers.Dense(units=5,input_dim=1, activation='tanh'))#神经元个数输入神经元个数激活函数model.add(tf.keras.layers.Dense(units=1, activation='tanh')) # 2 设置优化器和损失函数model.compile(optimizer=SGD(0.3), loss='mse')#优化器学习率损失函数(均方误差) # 3 训练for i in range(3000):# 训练一次数据，返回lossloss = model.train_on_batch(x_data, y_data) # 4 预测y_pred = model.predict(x_data) # 5 画图plt.plot(x_data, y_pred, 'r-', lw=5)

代码

# 拟合非线性函数import osos.environ['TF_CPP_MIN_LOG_LEVEL']='2'import numpy as npimport matplotlib.pyplot as pltimport tensorflow as tffrom tensorflow.keras.optimizers import SGD # 生成随机点def Produce_Random_Data():global x_data, y_data# 生成x坐标x_data = https://www.it610.com/article/np.linspace(-0.5, 0.5, 200)[:, np.newaxis]#增加一个维度 # 生成噪声noise = np.random.normal(0, 0.02, x_data.shape)#均值方差 # 计算y坐标y_data = np.square(x_data) + noise # 画散点图plt.scatter(x_data, y_data) # 神经网络拟合（训练及预测）def Neural_Network():# 1 创建神经网络model = tf.keras.Sequential() # 添加层# 注：input_dim(输入神经元个数)只需要在输入层重视设置，后面的网络可以自动推断出该层的对应输入model.add(tf.keras.layers.Dense(units=5, input_dim=1, activation='tanh'))#神经元个数输入神经元个数激活函数model.add(tf.keras.layers.Dense(units=1, activation='tanh'))#输出神经元个数 # 2 设置优化器和损失函数model.compile(optimizer=SGD(0.3), loss='mse')#优化器学习率损失函数(均方误差) # 3 训练for i in range(3000):# 训练一次数据，返回lossloss = model.train_on_batch(x_data, y_data) # 4 预测y_pred = model.predict(x_data)# 5 画图plt.plot(x_data, y_pred, 'r-', lw=5)# 1、生成随机点Produce_Random_Data() # 2、神经网络训练与预测Neural_Network() plt.show()

【python进阶TensorFlow神经网络拟合线性及非线性函数】以上就是python进阶TensorFlow神经网络拟合线性及非线性函数的详细内容，更多关于TensorFlow神经网络拟合线性及非线性函数的资料请关注脚本之家其它相关文章！