用神经网络例子讲解TF运行方式~人工智能入门编程例子讲解

#用神经网络例子讲解TF运行方式#import os          #防止出现警告
#os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
#P145 ###########生成及加载数据，###################
#构造满足方程y = x^2 - 0.5 的一些x y，同时加些噪声点
import tensorflow as tf
import numpy as np
#构造满足一元二次方程的函数
x_data = np.linspace(-1, 1, 300) [:, np.newaxis]   #300个点，分布在1到-1之间，采用np生成等差数列，把300个点的一维数组转化为二维数组
noise = np.random.normal(0, 0.05, x_data.shape)        #加入一些噪声点，让它和x_data的维度一致，并且拟合为均值为0，方差为0.05的正态分布
y_data = np.square(x_data) - 0.5 + noise              #y = x^2 - 0.5 + 噪声
#定义x和y的占位符来作为将要输入神经网络的变量
xs = tf.placeholder(tf.float32, [None, 1])
ys = tf.placeholder(tf.float32, [None, 1])########构建网络模型：隐藏层和输出层###############
'''
输入参数有四个变量：输入数据，输入数据的维度，输出数据的维度，激活函数。
每一层经过向量化(y = weights*x + biases)的处理，并且经过激活函数的非线性化处理后，最终得到输出数据。
'''
def add_layer(inputs, in_size, out_size, activation_function = None):#构建权重in_size*out_size大小的矩阵weights = tf.Variable(tf.random_normal([in_size, out_size]))#构建偏置：1 * out_size 的矩阵biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)#矩阵相乘Wx_plus_b = tf.matmul(inputs, weights) + biasesif activation_function is None:outputs = Wx_plus_belse:outputs = activation_function(Wx_plus_b)return outputs            #得到输出数据#构建隐藏层，假设隐藏层有20个神经元
h1 = add_layer(xs, 1, 20, activation_function = tf.nn.relu)
#构建输出层，假设输出层和输入层一样，有一个神经元
prediction = add_layer(h1, 20, 1, activation_function = None)
#构建损失函数：对预测值和真实值差的平方求和，再取平均。运用梯度下降法，以0.1的学习速率最小化损失
#计算预测值和真实值误差
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction), reduction_indices = [1]))
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)###########训练模型################################
#让TF训练1000次，每50次输出训练的损失值
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)for i in range(1000):sess.run(train_step, feed_dict = {xs: x_data, ys: y_data})if i % 50 == 0:     #50次打印一次损失值print(sess.run(loss, feed_dict = {xs: x_data, ys: y_data}))#######运行结果如下##########################
2018-01-04 15:38:29.500314: I
C:\tf_jenkins\home\workspace\rel-win\M\windows\PY\35\tensorflow\core\platform\cpu_feature_guard.cc:137]
Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX AVX2
3.58245
0.00528384
0.00375312
0.00341042
0.00323244
0.00309514
0.00301404
0.00297378
0.00294355
0.00292443
0.00289879
0.00288079
0.00286783
0.00285768
0.00284912
0.00284307
0.00283779
0.0028322
0.00281881
0.0027984
[Finished in 10.0s]###########损失值越来越小，达到预期目标。

用神经网络例子讲解TF运行方式~人工智能入门编程例子讲解相关推荐

面向对象 — 前端基础小白入门编程详细讲解总结
在这之前,我们先看以下两种描述同一件事件的描述方式: 下班回家,去做饭,做好了吃,吃完了饭去洗碗,然后去卫生间放热水,然后去洗澡. 下班回家,保姆已经将饭做好了,只需要吃就好,吃完了保姆会洗碗的.然后 ...
python的函数式编程实例_函数式编程例子
函数式编程例子 [篇一:函数式编程例子] 在 08 年的时候 ( 这经历记忆犹新 ) 我也跟 lz 一样,翻了好多文章, google 了好几个星期,最后我知道它是这么个东西: ul li 它是函数 ...
2023年最新人工智能入门指南（学习清单）
ChatGPT最近很火,为了帮助想入门人工智能的小伙伴们准备了一份超详细的学习清单前言为帮助大家快速入门机器学习.深度学习,根据我自己多年的学习和工作经验,总结了这份保姆级的学习清单,让大家在学习 ...
吴恩达卷积神经网络笔记,吴恩达人工智能公开课
吴恩达是个谁吴恩达(1976-,英文名:AndrewNg),华裔美国人,是斯坦福大学计算机科学系和电子工程系副教授,人工智能实验室主任.吴恩达是人工智能和机器学习领域国际上最权威的学者之一. 吴恩达 ...
人工智能入门四件套，你学人工智能避不开的知识点
为了照顾有基础的人,我这里将本文分为了6个阶段,如果你是这个阶段的可以点击下面跳过已经看过的部分,毕竟不是所有人都有耐心重新看一遍已经会的东西的~~ 阶段性: 第一阶段:零基础第二阶段:基本语法 ...
XTU | 人工智能入门复习总结
写在前面本文严禁转载,只限于学习交流. 课件分享在这里了. 还有人工智能标准化白皮书(2018版)也一并分享了. 文章目录绪论人工智能的定义与发展定义起源与发展各种认知观目前人工智能主要 ...
神经网络、深度学习、人工智能、智能制造2018资料汇编(公号回复“AI2018资料”下载PDF资料，欢迎转发、赞赏支持科普)
神经网络.深度学习.人工智能.智能制造2018资料汇编(公号回复"AI2018资料"下载PDF资料,欢迎转发.赞赏支持科普) 秦陇纪科学Sciences 今天科学Science ...
哈佛大学(2020)《CS50 Python人工智能入门》课程资料下载
关注上方"深度学习技术前沿",选择"星标公众号", 资源干货,第一时间送达! [导读]本课程探讨现代人工智能基础上的概念和算法,深入探讨游戏引擎.手写识别和机器 ...
python人工智能方向面试准备_人工智能入门学习路线及就业面试
[主讲老师]菜鸟窝人工智能&大数据讲师@chris 阿里算法专家,7年+算法从业经验,曾领导搭建某上市游戏平台算法团队,在智能数据.机器学习.深度学习算法落地等方向有丰富的实践经验,全面覆盖涵 ...

用神经网络例子讲解TF运行方式~人工智能入门编程例子讲解

用神经网络例子讲解TF运行方式~人工智能入门编程例子讲解相关推荐

最新文章

热门文章