TensorFlow1.x入门（5）——构建非线性回归模型
117 浏览量
2020-12-21
11:09:31
上传
评论 1
收藏 46KB PDF 举报
TensorFlow1.x入门（入门（5））——构建非线性回归模型构建非线性回归模型
系列文章系列文章
1. 计算图的创建与启动
2. 变量的定义及其操作
3. Feed与Fetch
4. 线性回归
构建非线性回归模型构建非线性回归模型系列文章知识点示例注意
知识点知识点
np.linsapce(-0.5, 0.5, 200)生成从-0.5到0.5的均匀分布的200个数据点。包含首尾包含首尾
numpy中花式索引的一个实例——数据升维，即原来是1维的数据列表，经过升维后形成每个数值为1维列表的2为列表。结果
类似如下：
[1, 2, 3, 4] ==> [[1], [2], [3]]
arr = arr[:, np.newaxis]
np.random.normal(mean, stddev, shape) 用于生成一个随机正态分布（高斯分布）的数据，正态分布的均值为mean，方差为stddev，数
据的维度为shape。
tf.random_normal([1,10])在tensorflow中形成[1,10 ]大小的张量，数据服从高斯分布。默认的均值为0，方差为0.1。
tf.nn.tanh()是激活函数，图形类似于sigmod，但是tanh比sigmod更陡。
tf.global_variables_initializer()初始化整个计算图中的变量。
示例示例
#%% md
# 回归模型
#%%
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
#%% md
## 使用numpy生成200个随机的数据点
#%% md
生成从-0.5到0.5均匀分布的200个数据点，包含首尾数据
#%%
x_data = np.linspace(-0.5, 0.5, 200)
#%%
x_data
#%% md
将1维数据升成2维数据
#%%
x_data = x_data[:, np.newaxis] #%%
x_data
#%% md
生成噪声数据与`x_data`的shape一致
#%%
noise = np.random.normal(0, 0.02, x_data.shape)
#%% md
noise为均值为0，方差为0.02的高斯分布
#%%
noise
#%% md
构建数据y_data
$y\_data = x\_data^2 + noise$
#%%
y_data = np.square(x_data) + noise
#%%
y_data
#%% md
## 定义placeholder用于接收训练的数据
可以认为是输入层
#%%
x = tf.placeholder(tf.float32, [None, 1], name="x_input")
y = tf.placeholder(tf.float32, [None, 1], name="y_input")
#%%
x
评论0