Tensorflow实现多层感知函数逼近

#1:导入需要用到的模块
import tensorflow as tf
import tensorflow.contrib.layers as layers
from sklearn import datasets
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import  MinMaxScaler
import  pandas as pd
import seaborn as sns'''
只有一个隐藏层的多层前馈网络足以逼近任何函数
同时还可以保证很高的精度和令人满意的效果
使用MLP（多层感知机进行函数逼近，预测波士顿房价）
'''#2：加载数据集并创建Pandas数据帧来分析数据：boston = datasets.load_boston()
df = pd.DataFrame(boston.data,columns=boston.feature_names)
df['target'] = boston.target#3:了解一些数据的细节
df.describe()#4:三个参数RM,PTRATIO和LSTAT在幅度上输出之间具有大于0.5的相关性
# 将数据集分解为训练数据集和测试数据集。使用MinMaxScaler来规划数据集
#由于神经网络使用Sigmoid激活函数（Sigmoid的输出只能在0-1之间）
#所以必须对目标值进行归一化x_train,x_test,y_train,y_test = train_test_split(df[['RM','LSTAT','PTRATIO']],df[['target']],test_size=0.3,random_state=0)
#归一化数据
X_train = MinMaxScaler().fit_transform(x_train)
X_test = MinMaxScaler().fit_transform(x_test)
Y_train = MinMaxScaler().fit_transform(y_train)
Y_test = MinMaxScaler().fit_transform(y_test)#5:定义常量和超参数
m = len(X_train)
n = 3 #特征的数量
n_hidden = 20 #隐藏层神经元的数量
#超参数
batch_size = 200
eta = 0.01 #学习率
max_epoch = 1000 #最大迭代数#6：创建一个单隐藏层的多层感知机模型
def multilayer_perceptron(x):fc1 = layers.fully_connected(x,n_hidden,activation_fn=tf.nn.relu,scope='fc1')out = layers.fully_connected(fc1,1,activation_fn=tf.sigmoid,scope='out')return out
#7:声明训练数据的占位符并定义损失和优化器
x = tf.compat.v1.placeholder(tf.float32,name='X',shape=[m,n])
y = tf.compat.v1.placeholder(tf.float32,name='Y')
y_hat = multilayer_perceptron(x)
correct_prediction = tf.square(y-y_hat)
mse = tf.reduce_mean(tf.cast(correct_prediction,'float'))
train = tf.train.AdamOptimizer(learning_rate=eta).minimize(mse)#8:执行计算图
init = tf.global_variables_initializer()with tf.compat.v1.Session() as sess:sess.run(init)writer = tf.summary.FileWriter('g3',sess.graph)# 训练模型100次迭代for i in range(max_epoch):_, l,p = sess.run([train,mse,y_hat],feed_dict={x:X_train,y:Y_train})if i %100 ==0:print('Epoch {0}:Loss {1}'.format(i,l))print("Training Done")print('Optimization Finished!')
#测试模型correct_prediction = tf.square(y-y_hat)
#计算准确度accuracy = tf.reduce_mean(tf.cast(correct_prediction,'float'))print('Mean ERROR:',accuracy.eval({x:X_train,y:Y_train}))plt.scatter(Y_train,p)writer.close()

Tensorflow实现多层感知函数逼近相关推荐

TensorFlow实现多层感知机函数逼近
TensorFlow实现多层感知机函数逼近准备工作对于函数逼近,这里的损失函数是 MSE.输入应该归一化,隐藏层是 ReLU,输出层最好是 Sigmoid. 下面是如何使用 MLP 进行函数逼近的 ...
tensorflow实例-多层感知器
一.概念感知器: 上图就是基本的处理元素,它具有输入.输出,每个输入关联一个连接权重,然后输出是输入的加权和. 上图就是一个单层的感知器,输入分别是X0.X1.X2,输出Y是输入的加权和: Y ...
TensorFlow实现多层感知器
#!/usr/bin/env python2 # -*- coding: utf-8 -*- """ Created on Fri Jun 2 09:54:06 2017 ...
TensorFlow 多层感知器
本文主要介绍使用TensorFlow对多层感知器(MLP)进行编程,其他内容参考:TensorFlow 学习目录. 目录一.多层感知器MLP 一.多层感知器MLP 多层感知器不同于CNN,CNN提取 ...
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 ...
TFboy养成记多层感知器 MLP
内容总结与莫烦的视频. 这里多层感知器代码写的是一个简单的三层神经网络,输入层,隐藏层,输出层.代码的目的是你和一个二次曲线.同时,为了保证数据的自然,添加了mean为0,steddv为0.05的噪声 ...
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 ...
【TensorFlow-windows】(三) 多层感知器进行手写数字识别（mnist）
主要内容: 1.基于多层感知器的mnist手写数字识别(代码注释) 2.该实现中的函数总结平台: 1.windows 10 64位 2.Anaconda3-4.2.0-Windows-x86_64. ...

Tensorflow实现多层感知函数逼近

Tensorflow实现多层感知函数逼近相关推荐

最新文章

热门文章