深度学习——用神经网络解决非线性问题

参考书籍：《深度学习——基于Python语言和TensorFlow平台》
已知德智育三项成绩，总分大于等于95即可当选三好学生。用1代表是，用0代表否。线性问题是可以传递的，非线性问题则是所谓的“一票否决制”，如果在一串连续的关系中有一个非线性关系出现，一般来说，整个问题都将成为非线性的问题。
激活函数sigmoid： 将线性化的关系转换成非线性化关系的函数，可以把任何数字变成一个0到1范围之间的数字。

import tensorflow as tf
import random
import numpy as nprandom.seed()# 批量生成随机训练数据
rowCount = 5
# np.full函数的作用是生成一个多维数组，并用预定的值来填充
xData = np.full(shape=(rowCount, 3), fill_value=0, dtype=np.float32)
yTrainData = np.full(shape=rowCount, fill_value=0, dtype=np.float32)goodCount = 0# 生成随机训练数据的循环
for i in range(rowCount):xData[i][0] = int(random.random() * 11 + 90)xData[i][1] = int(random.random() * 11 + 90)xData[i][2] = int(random.random() * 11 + 90)xAll = xData[i][0] * 0.6 + xData[i][1] * 0.3 + xData[i][2] * 0.1if xAll >= 95:yTrainData[i] = 1goodCount = goodCount + 1else:yTrainData[i] = 0print("xData=%s" % xData)
print("yTrainData=%s" % yTrainData)
print("goodCount=%d" % goodCount)x = tf.placeholder(shape=[3], dtype=tf.float32)# yTrain因为只是一个普通数字，不是向量，如果要给它一个形态的话，可以用一个空的方括号"[]"来表示
yTrain = tf.placeholder(shape=[], dtype=tf.float32)# tf.zeros([3]返回一个全值为0的3维向量
w = tf.Variable(tf.zeros([3]), dtype=tf.float32)
b = tf.Variable(80, dtype=tf.float32)
wn = tf.nn.softmax(w)n1 = x*w
n2 = tf.reduce_sum(n1) - b# tf.reduce_sum函数的作用是把作为它的参数的向量中的所有维度的值相加求和
y = tf.reduce_sum(n2)loss = tf.abs(y-yTrain)optimizer = tf.train.RMSPropOptimizer(0.1)train = optimizer.minimize(loss)sess = tf.Session()init = tf.global_variables_initializer()sess.run(init)for i in range(2):for j in range(rowCount):result = sess.run([train, x, yTrain, wn, b, n2, y, loss], feed_dict={x: xData[j], yTrain: yTrainData[j]})print(result)

深度学习——用神经网络解决非线性问题相关推荐

人工智能：通俗易懂理解深度学习与神经网络
前言初入学习人工智能领域,为方便对该领域有一个快速清晰的认识,因此收集了相关资料并整理了各位前辈们在此领域的研究现状.由浅入深.循序渐进理解什么是深度学习和神经网络,二者的联系和区别是什么,以及什么 ...
深度学习（1）基础1 -- 深度学习与神经网络基础
目录一.深度学习与神经网络 1.深度学习定义 2.神经网络 3.深度学习过程 4.深度学习功能二.深度学习应用三.分类数据集推荐一.深度学习与神经网络 1.深度学习定义深度学习(deep l ...
深度学习（神经网络）[1]——单层感知器
深度学习(神经网络)[1] -- 单层感知器算法描述 python实现示例运行结果可视化算法描述最原始的神经网络模型,类似于神经网络中的单个神经元,该算法局限性也很大,只适用于解决线性可分的 ...
人工智能、机器学习、深度学习和神经网络的区别
人工智能背景:人工智能最初可以追溯至1956年,当时多名计算机科学家在达特茅斯会议上共同提出了人工智能的概念.在随后几十年中,人工智能一方面被认为是人类文明未来的发展方向,另一方面也被认为是难以企及 ...
零基础入门深度学习(3) - 神经网络和反向传播算法
无论即将到来的是大数据时代还是人工智能时代,亦或是传统行业使用人工智能在云上处理大数据的时代,作为一个有理想有追求的程序员,不懂深度学习(Deep Learning)这个超热的技术,会不会感觉马上就o ...
深度学习与神经网络概述
本文将简单介绍:人工智能(Artificial Intelligence).机器学习(Machine Learning).深度学习(Deep Learning),并介绍神经网络的发展,以及三个在线演示 ...
CCAI 2017 | 专访德国语言技术领军者 Hans Uszkoreit：深度学习还不足以解决 NLP 核心问题...
7 月 22 - 23 日,由中国人工智能学会.阿里巴巴集团 & 蚂蚁金服主办,CSDN.中国科学院自动化研究所承办,云栖社区作为独家直播合作伙伴的第三届中国人工智能大会(CCAI 2017) ...
【深度学习】吴恩达深度学习-Course1神经网络与深度学习-第四周深度神经网络的关键概念编程（下）——深度神经网络用于图像分类：应用
在阅读这篇文章之前,请您先阅读:[深度学习]吴恩达深度学习-Course1神经网络与深度学习-第四周深度神经网络的关键概念编程(上)--一步步建立深度神经网络,这篇文章是本篇文章的前篇,没有前篇的基础 ...
机器学习、深度学习、神经网络学习资料集合(开发必备)
最近整理了下AI方面的学习资料,包含了学习社区.入门教程.汲取学习.深度学习.自然语言处理.计算机视觉.数据分析.面试和书籍等方面的知识.在这里分享给大家,欢迎大家点赞收藏. 学习社区神力AI(MA ...

深度学习——用神经网络解决非线性问题

深度学习——用神经网络解决非线性问题相关推荐

最新文章

热门文章