神經網絡參數優化更新的步驟——tensorflow實現線性回歸

基本思路

本文是簡單地體驗一下神經網絡參數更新的流程，因此不涉及激活函數和Drop_out等知識點。

首先利用高斯分布隨機生成2000個點，這2000個點圍繞某條已知的直線，再初始化權重參數w和偏移量b，根據w和b計算出預測值，再與真實值比較計算出損失函數（采用均方誤差作為指標），使用梯度下降的優化方法更新參數使得損失函數最小化，最后讓整個線性回歸模型訓練500次即可。

代碼及流程

本例使用ModelArts進行模型部署，所用的框架是tensorflow。

1.進入ModelArts控制臺和創建項目

進入ModelArts控制臺（控制臺選擇華北-北京四，北京四有免費資源）后選擇開發環境，點擊進入Notebook，點擊創建新項目（若進入的是新版的Notebook,請點擊回到舊版）

項目名稱自擬，工作環境選擇第一個（只要包含tensorflow的1.x.x版本即可），類型選擇CPU2核8G，資源池選擇公共資源池，儲存配置選擇云硬盤。

創建好Notebook后，新建一個文件（即點擊new）,選擇tensorflow-1.13.1，創建成功后就可以開始寫代碼啦。

2.代碼

import matplotlib.pyplot as plt import numpy as np import tensorflow as tf #隨機點的生成 x_set = [] y_set = [] for i in range(2000): x = np.random.normal(0.0,0.5) x_set.append(x) y = 0.03*x+0.05+np.random.normal(0.0,0.02) y_set.append(y) plt.scatter(x_set,y_set,c='r') plt.show() #設置權重參數w，由于是點，所以設置為一維 W = tf.Variable(tf.random.normal([1],mean = 0,stddev = 0.01),name = "W") #設置偏移量b b = tf.Variable(tf.zeros([1],tf.float32)) #預測值 y_p = W*x_set+b #計算損失函數（均方誤差） loss = tf.reduce_mean(tf.square(y_set-y_p)) #梯度下降優化參數 optimizer = tf.train.GradientDescentOptimizer(0.1)#0.1是學習率 train = optimizer.minimize(loss) #初始化變量 init = tf.compat.v1.global_variables_initializer() sess = tf.compat.v1.Session() sess.run(init) print("W=",sess.run(W),"b=",sess.run(b),"loss=",sess.run(loss)) print("Start training\n") #訓練500次 for step in range(500): sess.run(train) print("W=",sess.run(W),"b=",sess.run(b),"loss=",sess.run(loss)) print("Training ending\n") print("W=",sess.run(W),"b=",sess.run(b))

隨機生成的點:

訓練后結果:

訓練結果的w和b還是比較接近預設的0.03和0.05的。

TensorFlow 神經網絡

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。