深度学习-Tensorflow2.2-深度学习基础和tf.keras{1}-多层感知器（神经网络）与激活函数概述-04

多层感知器
计算输入特征得加权和，然后使用一个函数激活（或传递函数）计算输出。
单个神经元

多个神经元

单层神经元缺陷

多层感知器

多层感知器

激活函数
relu：曲线如下图，假如过来的函数是x当x小于0的时候直接屏蔽，大于0的时候就原样输出

sigmoid激活：假如输出的x值就会带入下面公式进行计算

tanh激活：-1到1之间

leak relu激活

# -*- coding: utf-8 -*-
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告级别，不显示警告
import tensorflow as tf
import pandas as pd
import numpy as np
import matplotlib.pyplot as pltdata = pd.read_csv("Advertising.csv")
print(data.head())
plt.scatter(data.TV,data.sales)
plt.show()

# -*- coding: utf-8 -*-
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告级别，不显示警告
import tensorflow as tf
import pandas as pd
import numpy as np
import matplotlib.pyplot as pltdata = pd.read_csv("Advertising.csv")
print(data.head())
plt.scatter(data.radio,data.sales)
plt.show()

# -*- coding: utf-8 -*-
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告级别，不显示警告
import tensorflow as tf
import pandas as pd
import numpy as np
import matplotlib.pyplot as pltdata = pd.read_csv("Advertising.csv")
print(data.head())
# plt.scatter(data.radio,data.sales)
# plt.show()
# 建立模型 当知道tv，广播，报纸投放广告后预测销量
x = data.iloc[:,1:-1] # x取值除去第一列和最后一列的值取出所有投放广告的值
y = data.iloc[:,-1] # y取值最后一列销量的值
model = tf.keras.Sequential([tf.keras.layers.Dense(10,input_shape=(3,),activation="relu"),tf.keras.layers.Dense(1)])# 建立顺序模型【输入层：一个多层感知器(隐含层10层Dense(10),形状input_shape=(3,)3维,激活函数activation="relu")，输出层：因为输出是一个值所以维度1】
print(model.summary())

# -*- coding: utf-8 -*-
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告级别，不显示警告
import tensorflow as tf
import pandas as pd
import numpy as np
import matplotlib.pyplot as pltdata = pd.read_csv("Advertising.csv")
# print(data.head())
# plt.scatter(data.radio,data.sales)
# plt.show()
# 建立模型 当知道tv，广播，报纸投放广告后预测销量
x = data.iloc[:,1:-1] # x取值除去第一列和最后一列的值取出所有投放广告的值
y = data.iloc[:,-1] # y取值最后一列销量的值
model = tf.keras.Sequential([tf.keras.layers.Dense(10,input_shape=(3,),activation="relu"),tf.keras.layers.Dense(1)])# 建立顺序模型【输入层：一个多层感知器(隐含层10层Dense(10),形状input_shape=(3,)3维,激活函数activation="relu")，输出层：因为输出是一个值所以维度1】
print(model.summary())
# 优化器
model.compile(optimizer="adam",loss="mse")
# 训练模型
model.fit(x,y,epochs=100)
# 使用该模型在现有数据上预测前10个的销量
test = data.iloc[:10,1:-1]
print(model.predict(test))
# 实际值
test = data.iloc[:10,-1]
print(test)

梯度下降

预测值

实际值

深度学习-Tensorflow2.2-深度学习基础和tf.keras{1}-多层感知器（神经网络）与激活函数概述-04相关推荐

多层感知器及常见激活函数-深度神经网络DNN及计算推导
多层感知器在之前的博客中,我们了解到,感知器(指单层感知器)具有一定的局限--无法解决异或问题,即线性不可分的问题. 将多个单层感知器进行组合,就可以得到一个多层感知器(MLP--Multi-Lay ...
（深度学习快速入门）第三章第一节：多层感知器简介
文章目录一:引入二:定义三:反向传播算法四:构建多层感知器完成波士顿房价预测一:引入前文所讲到的波士顿房价预测案例中,涉及到的仅仅是一个非常简单的神经网络,它只含有输入层和输出层但观察最 ...
Tensorflow中的多层感知器学习
Tensorflow中的多层感知器学习在这篇文章中,我们将了解多层感知器的概念和它在Python中使用TensorFlow库的实现. 多层感知多层感知也被称为MLP.它是完全连接的密集层,可以将任 ...
深度学习-Tensorflow2.2-深度学习基础和tf.keras{1}-优化函数，学习速率，反向传播，网络优化与超参数选择，Dropout 抑制过拟合概述-07
多层感知器: 优化使用梯度下降算法学习速率学习速率选取原则反向传播 SGD RMSprop Adam learning_rate=0.01 # -*- coding: utf-8 -*- # - ...
日月光华深度学习（一、二）深度学习基础和tf.keras
日月光华深度学习(一.二)深度学习基础和tf.keras [2.2]--tf.keras实现线性回归 [2.5]--多层感知器(神经网络)的代码实现 [2.6]--逻辑回归与交叉熵 [2.7]--逻辑 ...
深度学习02-神经网络(MLP多层感知器)
文章目录神经网络简介学习路径分类多层感知器(MLP) 神经网络认识两层神经网络输入层从输入层到隐藏层从隐藏层到输出层激活层输出的正规化如何衡量输出的好坏反向传播与参数优化过 ...
【深度学习】多层感知器高级使用
[深度学习]多层感知器高级使用文章目录 1 JSON序列化模型 2 YAML格式 3 模型增量更新 4 神网检查点 5 导入模型 6 可视化训练过程神经网络的变种目前有很多,如误差反向传播(Bac ...
深度学习笔记--多层感知器以及BP算法
简介多层感知器,是指包含1个或多个隐层的前馈神经网络. 前馈神经网络的特点: 第0层为输入层,最后一层为输出层,中间层为隐层. 整个网络无反馈,信号从输入层向输出层单向传播,整个网络为有向无环图. ...
【深度学习BookNote】多层感知器（multi-layer perceptron）
多层感知器(multi-layer perceptron) 神经网络的变种目前有很多,如误差反向传播(Back Propagation,BP)神经网路.概率神经网络.卷积神经网络(Convolutio ...

深度学习-Tensorflow2.2-深度学习基础和tf.keras{1}-多层感知器（神经网络）与激活函数概述-04

深度学习-Tensorflow2.2-深度学习基础和tf.keras{1}-多层感知器（神经网络）与激活函数概述-04相关推荐

最新文章

热门文章