tensorflow基礎使用4

非線性回歸

# coding: utf-8

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
#使用numpy生成200個隨機點
x_data = np.linspace(-0.5,0.5,200)[:,np.newaxis]
noise = np.random.normal(0,0.02,x_data.shape)
y_data = np.square(x_data) + noise
#定義兩個placeholder
x = tf.placeholder(tf.float32,[none,1])
y = tf.placeholder(tf.float32,[none,1])
#定義神經網路中間層
weights_l1 = tf.variable(tf.random_normal([1,10]))
biases_l1 = tf.variable(tf.zeros([1,10]))
wx_plus_b_l1 = tf.matmul(x,weights_l1) + biases_l1
l1 = tf.nn.tanh(wx_plus_b_l1)
#定義神經網路輸出層
weights_l2 = tf.variable(tf.random_normal([10,1]))
biases_l2 = tf.variable(tf.zeros([1,1]))
wx_plus_b_l2 = tf.matmul(l1,weights_l2) + biases_l2
prediction = tf.nn.tanh(wx_plus_b_l2)
#二次代價函式
loss = tf.reduce_mean(tf.square(y-prediction))
#使用梯度下降法訓練
train_step = tf.train.gradientdescentoptimizer(0.1).minimize(loss)
with tf.session() as sess:
#變數初始化
sess.run(tf.global_variables_initializer())
for _ in range(2000):
sess.run(train_step,feed_dict=)
#獲得**值
prediction_value = sess.run(prediction,feed_dict=)
#畫圖plt.figure()
plt.scatter(x_data,y_data)
plt.plot(x_data,prediction_value,'r-',lw=5)
plt.show()

第4章 TensorFlow基礎

基本資料型別，包含數值型 字串型和布林型。布林型別的張量只需要傳入 python 語言的布林型別資料，轉換成 tensorflow 內部布林型即可 需要注意的是，tensorflow 的布林型別和 python 語言的布林型別並不對等，不能通用 a tf.constant true a true 輸...

tensorflow基礎使用1

1.op的設計及執行乙個簡單的圖import tensorflow as tf x tf.variable 1,2 建立變數 a tf.constant 3,3 建立常量 sub tf.subtract x,a 定義減法op add tf.add x,sub 定義加法op init tf.globa...

tensorflow基礎使用2

fetch和 feed的用法 1.fetch的用法也就是在session執行時，可以以列表的方式傳參，從而同時run多個op coding utf 8 import tensorflow as tf how to use fetch input1 tf.constant 3.0 input2 tf....