TensorFlow学习笔记(十一)读取自己的数据进行训练
1. 线性关系
数据csv文件读取
x,y
1,2
4,5
6,11
3,6
4,7
5,12
7,13
10,21
11,23
24,50
45,89
50,101
55,111
60,123
70,139
80,164
85,171
90,192
95,190
100,199
200,401
1000,2000
代码:
# -*- coding: utf-8 -*-
"""
Created on Fri Jul 28 15:43:41 2017
@author: ESRI
"""
# -*- coding: utf-8 -*-
"""
Created on Fri Jul 28 14:59:10 2017
@author: ESRI
"""
import pandas as pd
import tensorflow as tf
import matplotlib.pyplot as plt
#读取数据
dataset = pd.read_csv('E:\\testData\\network.csv')
#查看描述信息
print(dataset.describe())
#查看前5行
print(dataset.head())
#查看数据形状
print(dataset.shape)
#分别得到
X_data = dataset['x'].as_matrix(columns=None).reshape(-1,1)
#print(X_data)
Y_data = dataset['y'].as_matrix(columns=None).reshape(-1,1)
#添加一层网络
def add_layer(inputs, in_size, out_size, activation_function=None):
# add one more layer and return the output of this layer
Weights = tf.Variable(tf.random_normal([in_size, out_size]))
biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)
Wx_plus_b = tf.matmul(inputs, Weights) + biases
if activation_function is None:
outputs = Wx_plus_b
else:
outputs = activation_function(Wx_plus_b)
return outputs
#归一化
def normalize(train):
mean, std = train.mean(), train.std()
train = (train - mean) / std
return train
xs = tf.placeholder(tf.float32)
ys = tf.placeholder(tf.float32)
#归一化处理数据
X = normalize(X_data)
Y = normalize(Y_data)
#3层网络
l1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu)
# add output layer
prediction = add_layer(l1, 10, 1, activation_function=None)
#计算loss
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),
reduction_indices=[1]))
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
# important step
#init = tf.initialize_all_variables()
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
#结果可视化
# plot the real data
fig = plt.figure()
ax = fig.add_subplot(1,1,1)
ax.scatter(X, Y)
plt.ion()
plt.show()
for i in range(8000):
# training
sess.run(train_step, feed_dict={xs: X, ys: Y})
if i % 50 == 0:
print(sess.run(loss, feed_dict={xs: X, ys: Y}))
try:
ax.lines.remove(lines[0])
except Exception:
pass
prediction_value = sess.run(prediction, feed_dict={xs: X})
# plot the prediction
lines = ax.plot(X, prediction_value, 'r-', lw=5)
plt.pause(0.1)
结果:
x y
count 22.000000 22.000000
mean 91.136364 183.181818
std 208.740051 417.486314
min 1.000000 2.000000
25% 6.250000 12.250000
50% 47.500000 95.000000
75% 83.750000 169.250000
max 1000.000000 2000.000000
x y
0 1 2
1 4 5
2 6 11
3 3 6
4 4 7
5 5 12
6 7 13
7 10 21
8 11 23
9 24 50
10 45 89
11 50 101
12 55 111
13 60 123
14 70 139
15 80 164
16 85 171
17 90 192
18 95 190
19 100 199
(22, 2)
[[-0.4419732 ]
[-0.42726305]
[-0.41745628]
...,
[ 0.04346181]
[ 0.53380021]
[ 4.45650743]]

11.6106
0.00154685
0.00107705
0.000622838
0.000468779
0.000346998
0.000274857
0.00016539
9.39608e-05
6.02521e-05
4.41742e-05
3.47886e-05
3.02667e-05
2.81042e-05
2.73301e-05
2.69677e-05
2.67462e-05
2.66131e-05
2.6452e-05
2.63586e-05
2.63102e-05
2.61975e-05
2.61691e-05
2.61784e-05
2.61712e-05
2.61596e-05
2.61267e-05
2.61323e-05
2.61504e-05
2.61072e-05
2.61337e-05
2.61305e-05
2.60892e-05
2.60815e-05
2.6096e-05
2.60919e-05
2.60685e-05
2.60606e-05
2.60774e-05
2.61023e-05
2.60717e-05
2.60601e-05
2.60832e-05
2.60474e-05
2.60752e-05
2.60568e-05
2.60328e-05
2.60716e-05
2.60527e-05
2.60288e-05
2.60224e-05
2.60488e-05
2.60549e-05
2.60573e-05
2.60576e-05
2.60556e-05
2.60509e-05
2.60434e-05
2.60333e-05
2.60186e-05
2.60025e-05
2.60154e-05
2.60487e-05
2.60329e-05
2.59924e-05
2.60066e-05
2.60364e-05
2.60053e-05
2.60045e-05
2.60256e-05
2.5987e-05
2.60303e-05
2.59782e-05
2.603e-05
2.59753e-05
2.60242e-05
2.59781e-05
2.60142e-05
2.59865e-05
2.59966e-05
2.6021e-05
2.59726e-05
2.59987e-05
2.6012e-05
2.59699e-05
2.59885e-05
2.60072e-05
2.59776e-05
2.59591e-05
2.59867e-05
2.59993e-05
2.59841e-05
2.59637e-05
2.59506e-05
2.59757e-05
2.59872e-05
2.59941e-05
2.5992e-05
2.59636e-05
2.59547e-05
2.59475e-05
2.59412e-05
2.59377e-05
2.59612e-05
2.59653e-05
2.59678e-05
2.59692e-05
2.59695e-05
2.59691e-05
2.59679e-05
2.59662e-05
2.59643e-05
2.59615e-05
2.59585e-05
2.59546e-05
2.59497e-05
2.5937e-05
2.59175e-05
2.59209e-05
2.59248e-05
2.59291e-05
2.5935e-05
2.59458e-05
2.59611e-05
2.59533e-05
2.59444e-05
2.59316e-05
2.59077e-05
2.59154e-05
2.59242e-05
2.59549e-05
2.59445e-05
2.59325e-05
2.58975e-05
2.59079e-05
2.59221e-05
2.59423e-05
2.59288e-05
2.58909e-05
2.5903e-05
2.59232e-05
2.59314e-05
2.59115e-05
2.58939e-05
2.59115e-05
2.59273e-05
2.59065e-05
2.589e-05
2.59133e-05
2.59185e-05
2.58759e-05
2.58929e-05
2.59227e-05
2.59028e-05
2.58816e-05
2.59242e-05
2.59048e-05
2.58738e-05
2.59005e-05
2.59029e-05
TensorFlow学习笔记(十一)读取自己的数据进行训练相关推荐
- ROS学习笔记十一:ROS中数据的记录与重放
ROS学习笔记十一:ROS中数据的记录与重放 本节主要介绍如何记录一个正在运行的ROS系统中的数据,然后在一个运行的系统中根据记录文件重新产生和记录时类似的运动情况.本例子还是以小海龟例程为例. 记录 ...
- TensorFlow学习笔记(一):数据操作指南
扩充 TensorFlow tf.tile 对数据进行扩充操作 import tensorflow as tf temp = tf.tile([1,2,3],[2]) temp2 = tf.tile( ...
- [MATLAB学习笔记]MATLAB读取UG三维模型数据
UG完成三维建模之后,导出STL格式的外形数据. missile.txt文件网盘链接 https://pan.baidu.com/s/1HAsXYD8bz-5MA2an6P-skg 密码: ttbx ...
- 【TensorFlow学习笔记】完美解决 pip3 install tensorflow 没有models库,读取PTB数据
安装tensorflow 我使用的是最最最简单的容易的 pip3 install <TensorFlow学习笔记> 一. 安装win10下python3.6的tensorflow的CPU版 ...
- TensorFlow学习笔记02:使用tf.data读取和保存数据文件
TensorFlow学习笔记02:使用tf.data读取和保存数据文件 使用`tf.data`读取和写入数据文件 读取和写入csv文件 写入csv文件 读取csv文件 读取和保存TFRecord文件 ...
- tensorflow学习笔记——使用TensorFlow操作MNIST数据(1)
续集请点击我:tensorflow学习笔记--使用TensorFlow操作MNIST数据(2) 本节开始学习使用tensorflow教程,当然从最简单的MNIST开始.这怎么说呢,就好比编程入门有He ...
- Win10: tensorflow 学习笔记(3)
前言 学以致用,以学促用.输出检验,完整闭环. 怕什么真理无穷,进一寸有一寸的欢喜--胡适 经过前段时间的努力,已经在电脑上搭好了深度学习系统,接下来就要开始跑程序了,将AI落地了. 安装win10下 ...
- Linux C/C++ 开发(学习笔记十一 ):TCP服务器(并发网络网络编程 一请求一线程)
Linux C/C++ 开发(学习笔记十一 ):TCP服务器(并发网络网络编程 一请求一线程) 一.TCP服务器(一请求一线程) 的原理 二.完整代码 三.测试 四.补充 一.TCP服务器(一请求一线 ...
- tensorflow学习笔记二——建立一个简单的神经网络拟合二次函数
tensorflow学习笔记二--建立一个简单的神经网络 2016-09-23 16:04 2973人阅读 评论(2) 收藏 举报 分类: tensorflow(4) 目录(?)[+] 本笔记目的 ...
- TensorFlow学习笔记(二):快速理解Tutorial第一个例子-MNIST机器学习入门 标签: 机器学习SoftmaxTensorFlow教程 2016-08-02 22:12 3729人阅
TensorFlow学习笔记(二):快速理解Tutorial第一个例子-MNIST机器学习入门 标签: 机器学习SoftmaxTensorFlow教程 2016-08-02 22:12 3729人阅读 ...
最新文章
- RHEL7: unbound(DNS server)的简单配置
- C++知识点10——函数指针
- Office安装时报错1907的解决方法
- 微型计算机总线不包括,微型计算机总线不包括( )。
- 有向图的拓扑排序的理解和简单实现(Java)
- WindowsServer2008防火墙配置命令
- Citrix Director
- 16行代码AC_Keeping Rabbits Gym - 102394K(附超时原因)
- 给你的Mr.Right画张择偶地图像
- HDU5923-Prediction-有继承味道的并查集
- 国产联盟链 Fisco-Bcos 调技术研报告
- Cisco路由器安全配置必用的10条命令
- Oracle在Solaris下的机能与调整简介
- java定时功能分析
- 百度文库下载助手使用说明
- matlab已知斜率画直线,MATLAB 霍夫变换 连接斜率相同的直线
- 等价类划分法测试用例设计
- PDF文件怎么转换成Word文档
- 人若不知足,永远不幸福
- wps怎么把字缩到最小_WPS文字如何调节字体大小突破字号72的限制实现大小随意调...
热门文章
- java虚拟机的俩种异常
- 计算机网络实验(华为eNSP模拟器)——第七章 远程终端协议(远程登陆)
- minigui linux 安装与运行
- oracle数据库开多线程,学习笔记:Oracle表数据导入 DBA常用单线程插入 多线程插入 sql loader三种表数据导入案例...
- composer 完整路径才能访问_Win7系统IIS,无法访问ASP,提示错误 '80004005'
- 30可以刷什么系统_刷脸支付系统可以对接原来的收银系统吗?
- linux服务器防cc攻击工具,宝塔linux面板
- android 蓝牙设置平板电脑,java – BlueCove,笔记本电脑和带蓝牙的Android平板电脑
- java constant 类_如何从Constant java为注释提供值
- 一阶网络相应特性的研究_36、 用一阶系统描述的传感器,其动态响应特征的优劣也主要取决于时间常数τ,τ越大越好。( )...