zoukankan      html  css  js  c++  java
  • Tensorflow 学习笔记

    import numpy as np
    import tensorflow as tf
    
    # 使用numpy生成100个随机点
    xdata = np.random.rand(1000)
    ydata = xdata * 0.1225 + 0.8843  # y=0.1225*x+0.8843
    
    # 构造一个线性模型
    
    b = tf.Variable(0.)
    k = tf.Variable(0.)
    
    y = k * xdata + b
    # 二次代价函数
    loss = tf.reduce_mean(tf.square(ydata - y))  # 误差平均值
    # 定义一个梯度下降法来进行训练的优化器
    optimizer = tf.train.GradientDescentOptimizer(0.2)  # 优化率0.2
    # 最小化代价函数
    train = optimizer.minimize(loss)
    
    # 前面使用了变量,需要初始化
    init = tf.global_variables_initializer()
    
    with tf.Session() as ses:
        ses.run(init)
        for s in range(1001):
            ses.run(train)
            if s % 10 == 0:
                print(s, '-->>>', ses.run([k, b]))

    本例使用numpy和TensorFlow。

    numpy用来生成1000个x轴的坐标点,然后定义一个函数

    y=0.1225x+0.8843

    这样就生成了xdata和ydata.

    然后使用逐次逼近(y-ydata)^2=0的状态,拟合曲线。

    optimizer是一个优化器,可以理解成机器的学习速率,后面的0.2就是优化率

    需要指出,k和b都是随机的,之后根据算法调整,逐渐逼近。

  • 相关阅读:
    traceroute工作原理
    Android 关于资源适配
    JavaScript对象
    八大排序算法总结
    Linux pipe函数
    cocos2d-x读取xml(适用于cocos2d-x 2.0以上版本号)
    WebService 设计总结
    select poll使用
    QQ强制视频聊天
    图解iPhone开发新手教程
  • 原文地址:https://www.cnblogs.com/clement-chiu/p/11404635.html
Copyright © 2011-2022 走看看