TF之NN:利用神经网络系统自动学习散点(二次函数+noise+优化修正)输出结果可视化(matplotlib动态演示)-阿里云开发者社区

开发者社区> 一个处女座的程序猿> 正文

TF之NN:利用神经网络系统自动学习散点(二次函数+noise+优化修正)输出结果可视化(matplotlib动态演示)

简介: TF之NN:利用神经网络系统自动学习散点(二次函数+noise+优化修正)输出结果可视化(matplotlib动态演示)
+关注继续查看

输出结果

image.png

代码设计

import tensorflow as tf

import numpy as np

import matplotlib.pyplot as plt

def add_layer(inputs, in_size, out_size, activation_function=None):  

   Weights = tf.Variable(tf.random_normal([in_size, out_size]))  

   biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)          

   Wx_plus_b = tf.matmul(inputs, Weights) + biases              

   if activation_function is None:  

       outputs = Wx_plus_b

   else:                            

       outputs = activation_function(Wx_plus_b)

   return outputs

x_data = np.linspace(-1,1,300)[:, np.newaxis]  

noise = np.random.normal(0, 0.05, x_data.shape)

y_data = np.square(x_data) - 0.5 + noise      

# define placeholder for inputs to network

xs = tf.placeholder(tf.float32, [None, 1])  

ys = tf.placeholder(tf.float32, [None, 1])

l1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu)  

prediction = add_layer(l1, 10, 1, activation_function=None)

# the error between prediciton and real data

loss = tf.reduce_mean(

   tf.reduce_sum(tf.square(ys - prediction),reduction_indices=[1])

   )

train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)  

# important step

init = tf.global_variables_initializer()

sess = tf.Session()                  

sess.run(init)                      

# plot the real data

fig = plt.figure()

ax = fig.add_subplot(1,1,1)

ax.scatter(x_data, y_data)

plt.ion()

plt.show()

for i in range(1000):

   # training

   sess.run(train_step, feed_dict={xs: x_data, ys: y_data})

   if i % 50 == 0:  

       # to visualize the result and improvement

       try:

           ax.lines.remove(lines[0])

       except Exception:

           pass

       prediction_value = sess.run(prediction, feed_dict={xs: x_data})

       # plot the prediction

       lines = ax.plot(x_data, prediction_value, 'r-', lw=5)

       plt.title('Matplotlib,NN,Efficient learning,Approach,Quadratic function --Jason Niu')

       plt.pause(0.1)


版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

相关文章
基于Spark的机器学习实践 (四) - 数据可视化
# 0 相关源码 1 数据可视化的作用及常用方法 1.1 为什么要数据可视化 1.1.1 何为数据可视化? ◆ 将数据以图形图像的形式展现出来 ◆ 人类可以对三维及以下的数据产生直观的感受 1.1.
867 0
磨刀不误砍柴工,搞定云网络系统性能测试
在本文中,首先简单介绍一下网络性能测试指标重点会关注哪些指标、在开展性能测试时,如何预估系统性能以便合理的规划和部署测试环境,然后会介绍基本的网络连通性测试工具、网络性能测试工具以及在开展性能测试时如何部署监控,更加直观的统计性能指标等。
201 0
+关注
一个处女座的程序猿
国内互联网圈知名博主、人工智能领域优秀创作者,全球最大中文IT社区博客专家、CSDN开发者联盟生态成员、中国开源社区专家、华为云社区专家、51CTO社区专家、Python社区专家等,曾受邀采访和评审十多次。仅在国内的CSDN平台,博客文章浏览量超过2500万,拥有超过57万的粉丝。
1701
文章
0
问答
文章排行榜
最热
最新
相关电子书
更多
文娱运维技术
立即下载
《SaaS模式云原生数据仓库应用场景实践》
立即下载
《看见新力量:二》电子书
立即下载