没有合适的资源?快使用搜索试试~ 我知道了~
TensorFlow1.x入门(5)——构建非线性回归模型
1 下载量 117 浏览量
2020-12-21
11:09:31
上传
评论 1
收藏 46KB PDF 举报
温馨提示
试读
3页
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系列文章知识点示例注意 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 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
资源详情
资源评论
资源推荐
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
weixin_38621104
- 粉丝: 1
- 资源: 957
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
评论0