TensorFlow-平面曲线拟合

2021-02-28 08:56:52 阅读：199 来源： 互联网

标签：曲线拟合输出 prediction np 平面 tf TensorFlow data 输入

平面曲线属于非线性函数，至少需要 3 层的神经网络（输入层，隐藏层x1，输出层）来实现，为达到较好的效果，可尝试更多层，下面的例子使用了2层隐藏层，采用最基本的全连接形式，隐藏层的神经元个数没有严格要求，根据实际项目选择，下面例子选用8个。

下面通过代码实现：

引入相关库，定义神经网络层

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

# 构造添加一个神经层的函数
def add_layer(inputs, in_size, out_size, activation_function=None):
    Weights = tf.Variable(tf.random_normal([in_size, out_size])) #权重矩阵[列，行]
    biases = tf.Variable(tf.zeros([1, out_size]) + 0.1) # 偏置向量[列，行]
    Wx_plus_b = tf.matmul(inputs, Weights) + biases # w*x+b(未激活)
    if activation_function is None: # 线性关系（不使用激活函数）
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b)# 非线性激活
    return outputs

生成些输入数据并导入网路

因为要拟合平面曲线，输入x和输出y均为一维数据

# 导入数据，这里的x_data和y_data并不是严格的一元二次函数的关系
# 因为我们多加了一个noise,这样看起来会更像真实情况
x_data = np.linspace(-1,1,300, dtype=np.float32)[:, np.newaxis]#300行，1个特性
noise = np.random.normal(0, 0.05, x_data.shape).astype(np.float32)# 均值，方差，形状
y_data = np.power(x_data,3)*10 - 8*noise # y = x^2-0.5+noise

# 利用占位符定义我们所需的神经网络的输入
# None代表无论输入有多少都可以，因为输入只有一个特征，所以这里是1
xs = tf.placeholder(tf.float32, [None, 1])
ys = tf.placeholder(tf.float32, [None, 1])

搭建网络

输入层：神经元个数1(输出1)

隐藏层1：神经元个数8(输入1，输出8)

隐藏层2：神经元个数8(输入8，输出8)

输出层：神经元个数1(输入8，输出1)

# 定义隐藏层【l1】和【l2】,利用之前的add_layer()函数
l1 = add_layer(xs, 1, 8, activation_function=tf.nn.sigmoid) # 输入层，输入，输出
l2 = add_layer(l1, 8, 8, activation_function=tf.nn.sigmoid) # 输入层，输入，输出

# 定义输出层【prediction】。输入就是隐藏层的输出——l1，输入有10层，输出有1层
prediction = add_layer(l2, 8, 1, activation_function=None)

损失函数

# 计算预测值prediction和真实值的误差，对二者差的平方求和再取平均
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),reduction_indices=[1]))

梯度下降法

# tf.train.GradientDescentOptimizer()中的值通常都小于1，
# 这里取的是0.08，学习率，代表以0.08的效率来最小化误差loss
train_step = tf.train.GradientDescentOptimizer(0.08).minimize(loss)

训练前的初始化操作

# 使用变量时，都要对它进行初始化
init = tf.global_variables_initializer()

# 定义Session，并用 Session 来执行 init 初始化步骤
sess = tf.Session()
sess.run(init)

使用matplotlib可视化结果

fig = plt.figure() #先生成一个图片框
ax = fig.add_subplot(1,1,1)#子图位置
ax.scatter(x_data,y_data,c = 'b',marker = '.')
plt.ion() # plt.ion()用于连续显示

训练过程

# 学习1000次。学习内容是train_step, 用Session来run每一次training的数据
for i in range(1000):
    sess.run(train_step, feed_dict={xs: x_data, ys: y_data})

    # 每50步我们输出一下机器学习的误差
    if i % 50 == 0:
        print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))
        try:
             ax.lines.remove(lines[0]) #抹除上一次的第一条线（总共就一条）
        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.pause(0.2)

运行结果

可以看出，随着训练的进行，损失函数的值不断减小，同时拟合出的结果（红线）不断接近原始训练数据（蓝点），增加训练次数可以提高拟合精度。

注意，每次运行的结果会略有不同，下图结果在最后一轮显示时出现了跳变，同时损失函数值略有增加，原因在于训练参数没有始终朝着最优变化，会有一些抖动，可能是梯度下降时到达某个局部最小点后又向外跳出，可通过重新训练、增加训练次数或调整学习率等方式解决。

TensorFlow-平面曲线拟合

参考：莫烦PYTHON-例子3 结果可视化

标签：曲线拟合,输出,prediction,np,平面,tf,TensorFlow,data,输入
来源： https://blog.51cto.com/15060517/2641124

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9

TensorFlow-平面曲线拟合