目錄

一、擬合線性函數

1、生成隨機坐標

2、神經網絡擬合

代碼

二、擬合非線性函數

1、生成二次隨機點

2、神經網絡擬合

代碼

---

一、擬合線性函數

學習率0.03，訓練1000次：

學習率0.05，訓練1000次：

學習率0.1，訓練1000次：?

?可以發現，學習率為0.05時的訓練效果是最好的。

1、生成隨機坐標

1、生成x坐標

2、生成隨機干擾

3、計算得到y坐標

4、畫點

# 生成隨機點
def Produce_Random_Data():global x_data, y_data# 生成x坐標x_data = np.random.rand(100)# 生成隨機干擾noise = np.random.normal(0, 0.01, x_data.shape)#                       均值 標準差 輸出的形狀# 計算y坐標y_data = 0.2 * x_data + 0.3 + noise# 畫點plt.scatter(x_data, y_data)

2、神經網絡擬合

1、創建神經網絡

2、設置優化器與損失函數

3、訓練（根據已有數據）

4、預測（給定橫坐標，預測縱坐標）

# 創建神經網絡（訓練及預測）
def Neural_Network():# 1 創建神經網絡model = tf.keras.Sequential()# 為神經網絡添加層model.add(tf.keras.layers.Dense(units=1, input_dim=1))
#                             隱藏層 神經元個數 輸入神經元個數# 2 設置優化器與損失函數model.compile(optimizer=SGD(0.05), loss='mse')
#                 優化器     學習率0.05  損失函數
# SGD：隨機梯度下降法
# mse：均方誤差# 3 訓練for i in range(1000):# 訓練數據并返回損失loss = model.train_on_batch(x_data, y_data)# print(loss)# 4 預測y_pred = model.predict(x_data)# 5 顯示預測結果（擬合線）plt.plot(x_data, y_pred, 'r-', lw=3)    #lw:線條粗細

代碼

# 擬合線性函數
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# 生成隨機點
def Produce_Random_Data():global x_data, y_data# 生成x坐標x_data = np.random.rand(100)# 生成隨機干擾noise = np.random.normal(0, 0.01, x_data.shape)#                       均值 標準差 輸出的形狀# 計算y坐標y_data = 0.2 * x_data + 0.3 + noise# 畫點plt.scatter(x_data, y_data)# 創建神經網絡（訓練及預測）
def Neural_Network():# 1 創建神經網絡model = tf.keras.Sequential()# 為神經網絡添加層model.add(tf.keras.layers.Dense(units=1, input_dim=1))
#                             隱藏層 神經元個數 輸入神經元個數# 2 設置優化器與損失函數model.compile(optimizer=SGD(0.05), loss='mse')
#                 優化器     學習率0.05  損失函數
# SGD：隨機梯度下降法
# mse：均方誤差# 3 訓練for i in range(1000):# 訓練數據并返回損失loss = model.train_on_batch(x_data, y_data)# print(loss)# 4 預測y_pred = model.predict(x_data)# 5 顯示預測結果（擬合線）plt.plot(x_data, y_pred, 'r-', lw=3)    #lw:線條粗細# 1、生成隨機點
Produce_Random_Data()# 2、神經網絡訓練與預測
Neural_Network()plt.show()

二、擬合非線性函數

第一層10個神經元：?

第一層5個神經元：

我感覺第一層5個神經元反而訓練效果比10個的好。。。

1、生成二次隨機點

?步驟：

1、生成x坐標

2、生成隨機干擾

3、計算y坐標

4、畫散點圖

# 生成隨機點
def Produce_Random_Data():global x_data, y_data# 生成x坐標x_data = np.linspace(-0.5, 0.5, 200)[:, np.newaxis]#                                       增加一個維度# 生成噪聲noise = np.random.normal(0, 0.02, x_data.shape)#                       均值 方差# 計算y坐標y_data = np.square(x_data) + noise# 畫散點圖plt.scatter(x_data, y_data)

2、神經網絡擬合

步驟：

1、創建神經網絡

2、設置優化器及損失函數

3、訓練（根據已有數據）

4、預測（給定橫坐標，預測縱坐標）

5、畫圖

# 神經網絡擬合（訓練及預測）
def Neural_Network():# 1 創建神經網絡model = tf.keras.Sequential()# 添加層# 注：input_dim(輸入神經元個數)只需要在輸入層重視設置，后面的網絡可以自動推斷出該層的對應輸入model.add(tf.keras.layers.Dense(units=5,  input_dim=1, activation='tanh'))
#                                   神經元個數 輸入神經元個數 激活函數model.add(tf.keras.layers.Dense(units=1, activation='tanh'))# 2 設置優化器和損失函數model.compile(optimizer=SGD(0.3), loss='mse')
#                 優化器     學習率     損失函數(均方誤差)# 3 訓練for i in range(3000):# 訓練一次數據，返回lossloss = model.train_on_batch(x_data, y_data)# 4 預測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
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# 生成隨機點
def Produce_Random_Data():global x_data, y_data# 生成x坐標x_data = np.linspace(-0.5, 0.5, 200)[:, np.newaxis]#                                       增加一個維度# 生成噪聲noise = np.random.normal(0, 0.02, x_data.shape)#                       均值 方差# 計算y坐標y_data = np.square(x_data) + noise# 畫散點圖plt.scatter(x_data, y_data)# 神經網絡擬合（訓練及預測）
def Neural_Network():# 1 創建神經網絡model = tf.keras.Sequential()# 添加層# 注：input_dim(輸入神經元個數)只需要在輸入層重視設置，后面的網絡可以自動推斷出該層的對應輸入model.add(tf.keras.layers.Dense(units=5, input_dim=1, activation='tanh'))
#                                   神經元個數  輸入神經元個數 激活函數model.add(tf.keras.layers.Dense(units=1, activation='tanh'))#                               輸出神經元個數# 2 設置優化器和損失函數model.compile(optimizer=SGD(0.3), loss='mse')
#                 優化器     學習率     損失函數(均方誤差)# 3 訓練for i in range(3000):# 訓練一次數據，返回lossloss = model.train_on_batch(x_data, y_data)# 4 預測y_pred = model.predict(x_data)# 5 畫圖plt.plot(x_data, y_pred, 'r-', lw=5)# 1、生成隨機點
Produce_Random_Data()# 2、神經網絡訓練與預測
Neural_Network()plt.show()

總結

以上是生活随笔為你收集整理的深度学习--TensorFlow（6）神经网络 -- 拟合线性函数非线性函数的全部內容，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。