python进阶TensorFlow神经网络拟合线性及非线性函数

更新时间：2021年10月16日 11:58:47 作者：_睿智_

这篇文章是python进阶学习主要介绍了TensorFlow神经网络拟合线性及非线性函数原理及示例解析，有需要的朋友可以借鉴参考下，希望能够有所帮助

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 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 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()

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！

您可能感兴趣的文章:

Python更改pip镜像源的方法示例
这篇文章主要介绍了Python更改pip镜像源的方法示例，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
2020-12-12
Python图像处理之图片文字识别功能（OCR)
Tesseract 是一个OCR 库，目前由Google 赞助（Google 也是一家以OCR 和机器学习技术闻名于世的公司）。这篇文章主要介绍了Python图像处理之图片文字识别功能 OCR的相关知识,需要的朋友可以参考下
2019-07-07
python 批量解压压缩文件的实例代码
这篇文章主要介绍了python 批量解压压缩文件的实例代码，代码简单易懂，非常不错，具有一定的参考借鉴价值,需要的朋友可以参考下
2019-06-06
python实现simhash算法实例
这篇文章主要介绍了python实现simhash算法实例,需要的朋友可以参考下
2014-04-04
详解用python写网络爬虫-爬取新浪微博评论
这篇文章主要介绍了python爬取新浪微博评论，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
2019-05-05
将Django框架和遗留的Web应用集成的方法
这篇文章主要介绍了将Django框架和遗留的Web应用集成的方法,Django是Python百花齐放的web开发框架中人气最高的一个,需要的朋友可以参考下
2015-07-07
python 调用钉钉机器人的方法
今天小编就为大家分享一篇python 调用钉钉机器人的方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
2019-02-02
Python如何实现守护进程的方法示例
护进程：通常被定义为一个后台进程，而且它不属于任何一个终端会话(terminal session)。许多系统服务由守护程序实施；如网络服务，打印等。下面这篇文章给大家分享了Python是如何实现守护进程的方法示例,需要的朋友可以参考借鉴。
2017-02-02
Python利用字典树实现猎词游戏
猎词（word hunt）是一类很常见的游戏，给你一张字母组成的表，然后让你在这些字母中尽可能多的去寻找单词。这类游戏用字典树就能轻松完成，本文就来具体讲讲实现步骤，需要的可以参考一下
2022-06-06
pandas or sql计算前后两行数据间的增值方法
下面小编就为大家分享一篇pandas or sql计算前后两行数据间的增值方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
2018-04-04