如何理解python进阶TensorFlow神经网络拟合线性及非线性函数

本篇内容主要讲解"如何理解python进阶TensorFlow神经网络拟合线性及非线性函数"，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习"如何理解python进阶TensorFlow神经网络拟合线性及非线性函数"吧!

目录

• 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：

学习率0.05，训练1000次：

学习率0.1，训练1000次：

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 = 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 = 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：

第一层5个神经元：

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 = 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loss        loss = 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 = 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loss        loss = 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()

到此，相信大家对"如何理解python进阶TensorFlow神经网络拟合线性及非线性函数"有了更深的了解，不妨来实际操作一番吧！这里是网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！