#coding=gbk ''' 進階篇相關數據：標簽：要預測的事物特征：用于描述數據的輸入變量樣本：數據的特定實例有標簽的樣本：{特征，標簽}無標的樣本：{特征，...}模型：將樣本映射到預測標簽，有內部參數描述，參數通過學習而來。通過有標簽的樣本來確定所以權重w和偏差b的最優值。損失：是對糟糕預測的懲罰，損失是一個數值，表示對單個樣本而言模型的預測準確度。定義損失函數L1損失：基于模型預測的值與標簽的實際值之差的絕對值平方損失(L2損失)均方誤差(MSE):平均平方誤差收斂：總體損失不再變化或變化極其緩慢梯度：是一個向量，表示某一函數在該點處的方向導數最大，即該方向變化最快，變化率最大。f'(x)=dx/xy,沿著梯度的反方向能很快收斂。梯度下降法學習率：步長設置要合理，才能很快收斂，不會出現左右震蕩現象。超參數：指機器學習在訓練之前需要設置的參數，好的超參數，可以提高學習效率和效果。如學習率隱含層層數等。擴展篇 ''' #coding=gbkfrom pylab import mpl mpl.rcParams['font.sans-serif'] = ['SimHei'] #設置繪圖顯示中文 mpl.rcParams['axes.unicode_minus'] = False #防止中文亂碼，有時候第一句不能完全避免顯示錯誤#導入tensorflow 模塊 import tensorflow.compat.v1 as tf import matplotlib.pyplot as plt import numpy as np#回歸模型實踐 #擬合函數y=4.5x+3 #樣本數據，有誤差 dx = np.linspace(-1, 1, 50)#等差數列 eps = np.random.randn(*dx.shape) * 0.4#*dx.shape表示吧x拆分為一個一維數組，randn參數為一個整數類型的值，而x.shape為一個元組 dy = 4.5 * dx + 3 + epsprint("dx=",dx) print("dy=", dy)#構建模型X #定義x,y占位符 x = tf.placeholder("float32", name='x') y = tf.placeholder("float32", name='y')#模型，形參不是占位符變量 def model(a, b, c):return tf.multiply(a, b) + c#此處參數定義為形參#創建變量 w = tf.Variable(1.0, name='w') b = tf.Variable(0.0, name="b")#構建預測，調用預測模型需要用到占位的變量 pred = model(x, w, b)#迭代次數 train_c = 15 #學習率Y learning_rate = 0.05#L2損失函數y，需要用到占位變量 loss_fun =tf.reduce_mean(tf.square(y - pred))#梯度下降優化器 op = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_fun)sess=tf.Session() init = tf.global_variables_initializer() sess.run(init)fig = plt.figure() plt.subplots_adjust(wspace =0.2, hspace =0.4)#設置子圖間距離 ax = fig.add_subplot(221)list_loss = [] list_w = [] list_b = []for i in range(train_c):for x_, y_ in zip(dx, dy): #Zip將x,y一維數組組合成一個一維數組,每個元素為x,y對_, loss = sess.run([op, loss_fun], feed_dict={x: x_, y: y_}) #將取出來的x_,y_數據輸入到占位符X，Y中去#獲取w和b的值b0 = b.eval(session=sess)w0 = w.eval(session=sess)ax.plot(dx, w0 * dx + b0)#用于可視化損失值的變化list_loss.append(loss)list_w.append(w0)list_b.append(b0)ax.set_title("隨機樣本/y=4.5x+3") ax.scatter(dx, dy)#散點圖 ax.plot(dx, 4.5 * dx + 3, color='red')ax = fig.add_subplot(222) ax.set_title("損失loss") ax.plot(list_loss, c='b',marker='.')ax=fig.add_subplot(223) ax.set_title("權重w") plt.plot(list_w, c='g',marker='+')ax=fig.add_subplot(224) ax.set_title("偏差b") ax.plot(2,2,list_b, c='yellow',marker='*')#預測 x1 = 3.9 predict=sess.run(pred,feed_dict={x:x1}) print("預測值：",predict)plt.show()

附:
本文章學習自中國大學mooc-深度學習應用開發-Tensorflow實戰

總結

以上是生活随笔為你收集整理的Tensorflow深度学习应用(进阶篇)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。