#必須放開頭，否則報錯。作用：把python新版本中print_function函數(shù)的特性導(dǎo)入到當前版本
from future import print_function
import tensorflow.compat.v1 as tf#將v2版本轉(zhuǎn)化成v1版本使用
tf.disable_v2_behavior()
import numpy as np
import matplotlib.pyplot as plt

從策劃到設(shè)計制作，每一步都追求做到細膩，制作可持續(xù)發(fā)展的企業(yè)網(wǎng)站。為客戶提供成都網(wǎng)站設(shè)計、做網(wǎng)站、網(wǎng)站策劃、網(wǎng)頁設(shè)計、主機域名、網(wǎng)頁空間、網(wǎng)絡(luò)營銷、VI設(shè)計、 網(wǎng)站改版、漏洞修補等服務(wù)。為客戶提供更好的一站式互聯(lián)網(wǎng)解決方案,以客戶的口碑塑造優(yōu)易品牌,攜手廣大客戶,共同發(fā)展進步。

#Construct a function that adds a neural layer

#inputs指輸入，in_size指輸入層維度，out_size指輸出層維度,activation_function()指激勵函數(shù)，默認None
def add_layer(inputs,in_size,out_size,activation_function=None):
Weights=tf.Variable(tf.random.normal([in_size,out_size]))#權(quán)重
biases=tf.Variable(tf.zeros([1,out_size])+0.1)#偏置，因為一般偏置不為0，于是人為加上0.1
Wx_plus_b=tf.matmul(inputs,Weights)+biases#tf.matmul矩陣相乘
if activation_function is None:
outputs = Wx_plus_b
else:
outputs = activation_function(Wx_plus_b)
return outputs

#Make up some real data

#隨機x_data,這里一定要定義dtype,[:,np.newaxis]指降低一個維度
x_data = np.linspace(-1,1,300,dtype=np.float32)[:,np.newaxis]
#概率密度函數(shù)np.random.normal(loc,scale,size),loc指分布中心，scale指標準差(越小擬合的越好)，size指類型(默認size=None)
noise = np.random.normal(0,0.05,x_data.shape).astype(np.float32)
#real y_data
y_data = np.square(x_data) - 0.5 + noise

#defind placeholder for inputs to network

#此函數(shù)可以理解為形參，用于定義過程，在執(zhí)行的時候再賦具體的值
xs = tf.placeholder(tf.float32,[None,1])#一定要定義tf.float32,系統(tǒng)不默認
ys = tf.placeholder(tf.float32,[None,1])

#add hidden layer

#這里的激勵函數(shù)為relu函數(shù)，指輸入層一個神經(jīng)元，輸出層十個神經(jīng)元
l1 = add_layer(xs,1,10,activation_function = tf.nn.relu)

#add outputs layer

#這里激勵函數(shù)為None
prediction = add_layer(l1,10,1,activation_function = None)

#the error between real data and prediction
function(){ //常見問題：http://www.fx61.com/faq
#定義loss，指損失函數(shù)總和的平均值，注意這里必須得加上一個reduction_indices=[]。(會說明)
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),reduction_indices=[1]))
#這里用GradientDescentOptimizer做為優(yōu)化器,就是梯度下降法
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

#Activate
sess = tf.Session()#非常重要

#定義全局初始化(兩種表示方法:global_variables_initializer,initialize_all_variables)
#建議用global_variables_initializer新版本
init = tf.global_variables_initializer()

sess.run(init)
for i in range(1000):
#train,這里的feed_dict是一個字典，用于導(dǎo)入數(shù)據(jù)x_data和y_data
sess.run(train_step,feed_dict = {xs : x_data, ys : y_data})
#每50步打印一次
if i % 50 == 0:
print(sess.run(loss,feed_dict = {xs : x_data, ys : y_data}))
可視化結(jié)果
#Visualization of results
fig = plt.figure()#建立一個背景
ax = fig.add_subplot(1,1,1)#建立標注
ax.scatter(x_data , y_data)#scatter指散點
plt.ion()#全局變量時，最好注釋掉。作用：使圖像連續(xù)
plt.show()
for i in range(1000):

training

sess.run(train_step, feed_dict={xs: x_data, ys: y_data})
if i % 50 == 0:
    # to visualize the result and improvement
    #指沒有圖像就跳過(簡單理解：先抹去線，再出現(xiàn)下一次線)
    try:
        ax.lines.remove(lines[0])
    except Exception:
        pass
    prediction_value = sess.run(prediction, feed_dict={xs: x_data})
    # plot the prediction
    lines = ax.plot(x_data, prediction_value, 'r-', lw=3)#紅色，寬度為3
    plt.pause(0.1)#指暫停幾秒，作者實驗表明0.1~0.3可視化效果明顯

https://blog.csdn.net/qq_45603919/article/details/103331515

另外有需要云服務(wù)器可以了解下創(chuàng)新互聯(lián)cdcxhl.cn，海內(nèi)外云服務(wù)器15元起步，三天無理由+7*72小時售后在線，公司持有idc許可證，提供“云服務(wù)器、裸金屬服務(wù)器、高防服務(wù)器、香港服務(wù)器、美國服務(wù)器、虛擬主機、免備案服務(wù)器”等云主機租用服務(wù)以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡單易用、服務(wù)可用性高、性價比高”等特點與優(yōu)勢，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應(yīng)用場景需求。

當前名稱：神經(jīng)網(wǎng)絡(luò)的構(gòu)建與理解-創(chuàng)新互聯(lián)
轉(zhuǎn)載注明：http://aaarwkj.com/article42/ihpec.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供靜態(tài)網(wǎng)站、網(wǎng)站建設(shè)、外貿(mào)網(wǎng)站建設(shè)、用戶體驗、服務(wù)器托管、Google

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)