Tensorflow深度学习应用(进阶篇)

#coding=gbk
'''
进阶篇相关数据:标签:要预测的事物特征:用于描述数据的输入变量样本:数据的特定实例有标签的样本:{特征,标签}无标的样本:{特征,...}模型:将样本映射到预测标签,有内部参数描述,参数通过学习而来。通过有标签的样本来确定所以权重w和偏差b的最优值。损失:是对糟糕预测的惩罚,损失是一个数值,表示对单个样本而言模型的预测准确度。定义损失函数L1损失:基于模型预测的值与标签的实际值之差的绝对值平方损失(L2损失)均方误差(MSE):平均平方误差收敛:总体损失不再变化或变化极其缓慢梯度:是一个向量,表示某一函数在该点处的方向导数最大,即该方向变化最快,变化率最大。f'(x)=dx/xy,沿着梯度的反方向能很快收敛。梯度下降法学习率:步长设置要合理,才能很快收敛,不会出现左右震荡现象。超参数:指机器学习在训练之前需要设置的参数,好的超参数,可以提高学习效率和效果。如学习率隐含层层数等。扩展篇
'''
#coding=gbkfrom pylab import mpl
mpl.rcParams['font.sans-serif'] = ['SimHei']  #设置绘图显示中文
mpl.rcParams['axes.unicode_minus'] = False  #防止中文乱码,有时候第一句不能完全避免显示错误#导入tensorflow 模块
import tensorflow.compat.v1 as tf
import matplotlib.pyplot as plt
import numpy as np#回归模型实践
#拟合函数y=4.5x+3
#样本数据,有误差
dx = np.linspace(-1, 1, 50)#等差数列
eps = np.random.randn(*dx.shape) * 0.4#*dx.shape表示吧x拆分为一个一维数组,randn参数为一个整数类型的值,而x.shape为一个元组
dy = 4.5 * dx + 3 + epsprint("dx=",dx)
print("dy=", dy)#构建模型X
#定义x,y占位符
x = tf.placeholder("float32", name='x')
y = tf.placeholder("float32", name='y')#模型,形参不是占位符变量
def model(a, b, c):return tf.multiply(a, b) + c#此处参数定义为形参#创建变量
w = tf.Variable(1.0, name='w')
b = tf.Variable(0.0, name="b")#构建预测,调用预测模型需要用到占位的变量
pred = model(x, w, b)#迭代次数
train_c = 15
#学习率Y
learning_rate = 0.05#L2损失函数y,需要用到占位变量
loss_fun =tf.reduce_mean(tf.square(y - pred))#梯度下降优化器
op = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_fun)sess=tf.Session()
init = tf.global_variables_initializer()
sess.run(init)fig = plt.figure()
plt.subplots_adjust(wspace =0.2, hspace =0.4)#设置子图间距离
ax = fig.add_subplot(221)list_loss = []
list_w = []
list_b = []for i in range(train_c):for x_, y_ in zip(dx, dy):  #Zip将x,y一维数组组合成一个一维数组,每个元素为x,y对_, loss = sess.run([op, loss_fun], feed_dict={x: x_, y: y_})  #将取出来的x_,y_数据输入到占位符X,Y中去#获取w和b的值b0 = b.eval(session=sess)w0 = w.eval(session=sess)ax.plot(dx, w0 * dx + b0)#用于可视化损失值的变化list_loss.append(loss)list_w.append(w0)list_b.append(b0)ax.set_title("随机样本/y=4.5x+3")
ax.scatter(dx, dy)#散点图
ax.plot(dx, 4.5 * dx + 3, color='red')ax = fig.add_subplot(222)
ax.set_title("损失loss")
ax.plot(list_loss, c='b',marker='.')ax=fig.add_subplot(223)
ax.set_title("权重w")
plt.plot(list_w,  c='g',marker='+')ax=fig.add_subplot(224)
ax.set_title("偏差b")
ax.plot(2,2,list_b, c='yellow',marker='*')#预测
x1 = 3.9
predict=sess.run(pred,feed_dict={x:x1})
print("预测值:",predict)plt.show()

在这里插入图片描述
附:
本文章学习自中国大学mooc-深度学习应用开发-Tensorflow实战

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/484310.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Java之Synchronized与锁升级

Synchronized与锁升级 一、概述 在多线程并发编程中 synchronized 一直是元老级角色,很多人都会称呼它为重量级锁。但是,随着 Java SE 1.6 对 synchronized 进行了各种优化之后,有些情况下它就并不那么重了。 本文详细介绍 Java SE 1.6 中为…

机器学习算法

最近,机器学习岗位越来越火爆,那么自然对算法的一些能力要求也是越来越高,想要在求职者中脱颖而出,起步自然非常重要。 我和小伙伴们一起研讨了 2019 年校招的一些算法面试,有些是亲自经历的,也有伙伴分享的…

深度强化学习在智能城市领域应用介绍

来源:海豚数据科学实验室深度强化学习是近年来热起来的一项技术。深度强化学习的控制与决策流程必须包含状态,动作,奖励是三要素。在建模过程中,智能体根据环境的当前状态信息输出动作作用于环境,然后接收到下一时刻状…

Tensorflow深度学习应用(进阶篇)-回归(函数拟合训练)-可视化

#codinggbk进阶篇:多元回归:建模问题:Yx1xx1x2xw2x3xw3...xnxwnb,矩阵简化表示YXWbnumpy库基础:整型的一个数字, 不能取得其shape(维度),通过np.array()可以将其转换成一个标量&…

docker下创建crontab定时任务失败

创建过程 基础镜像采用的centos7.2,需要安装一下crontab,在dockerfile中加以下语句就可以了: # crontab jobs RUN yum -y install crontabs ADD ./run/nlp-cron /etc/cron.d/nlp-cron RUN chmod 0644 /etc/cron.d/nlp-cron RUN crontab /etc/…

Tensorflow深度学习应用(进阶篇)-1

#codinggbk 逻辑回归:逻辑回归需要将输出控制在[0,1]之间,可以使用函数将值映射在[0,1]之间Sigmod函数,逻辑回归一般采用对数损失函数;from pylab import mpl mpl.rcParams[font.sans-serif] [SimHei] #设置显示绘图显示中文 mp…

​20210716未来智能实验室收录资料

20210716未来智能实验室收录资料特别推荐:置顶收录未来智能实验室在人民日报《学术前沿》发表的城市大脑最新综述研究论文和报告《城市大脑的起源、发展与未来趋势》。本期收录前沿科技进展材料52篇1.《科学》:媲美AlphaFold2的蛋白质结构预测新工具问世…

Jq将字符串复制粘贴到剪贴板

第一种&#xff1a; 自己测试时 只适合于input 和textarea 但是针对于其他标签的复制就不能用了。代码如下&#xff1a; <!DOCTYPE html> <html><head><meta http-equiv"Content-Type" content"text/html; charsetutf-8" /><…

元宇宙深度研究报告:元宇宙是互联网的终极形态?

报告出品方&#xff1a;华安证券作者&#xff1a;尹沿技、张天、姚天航1 元宇宙&#xff1a;剑指互联网的“终极形态”1.1 元宇宙指向互联网的终极形态元宇宙&#xff08;Metaverse&#xff09;概念起源于科幻小说&#xff0c;或指向互联网的“终极形态”。Metaverse 一词来源于…

论文写作

1.文献综述 站在巨人的肩膀上&#xff0c;找到自己的创新点(别人没做过的),文献综述可以帮你理清思路&#xff0c;找到切入点&#xff0c;在别人的基础上&#xff0c;做出高于别人的综述&#xff0c;这正是文献综述的意义。 内容与结构规划 目的 找出研究的空白&#xff0c;基…

6、Django模板语法

123 转载于:https://www.cnblogs.com/pyedu/p/10289330.html

Unity基础

Unity3D 游戏开发 第一章 基础知识 Unity是一个用于创建游戏和三维互动内容的开发工具&#xff0c;是一个专业游戏引擎。 2D游戏&#xff1a;视角锁定&#xff0c;二维坐标。 3D游戏&#xff1a;任意视角&#xff0c;三维坐标。 虚拟现实&#xff08;VR&#xff09;&#x…

英特尔史上最大收购!英特尔拟300亿美元收购GF,审批成关键!

来源&#xff1a;EETOP据《华尔街日报》报道&#xff0c;知情人士称&#xff0c;英特尔打算斥资约300 亿美元收购晶圆代工大厂格罗方德&#xff08;GlobalFoundries&#xff09;&#xff0c;以加速生产更多芯片&#xff0c;如果收购成功&#xff0c;这将是英特尔有史以来最大的…

CentOS 7 定时计划任务设置

概述  就像再windows上有计划任务一样&#xff0c;centos7 自然也有计划任务&#xff0c;而且设置更为灵活&#xff0c;好用。再centos7 上可以利用crontab 来执行计划任务&#xff0c; 依赖与 crond 的系统服务&#xff0c;这个服务是系统自带的&#xff0c;可以直接查看状态…

Unity 基本操作

基本操作 物体的组合 1.从需要的组合的物体中选择一个作为父对象&#xff0c;其他的物体作为子对象&#xff0c;即把子对象拖拽到父对象里&#xff0c;操作父对象即可实现整体操作&#xff0c;效果如下。 2.在组合物体中&#xff0c;父对象的坐标是该组合体的坐标&#xff0c…

OpenAI雄心勃勃的机器人计划失败了:强化学习没法用?

来源&#xff1a;机器之心曾经训练出单手解魔方机器人的 OpenAI&#xff0c;眼下已经解散了机器人团队。这家执着于实现通用人工智能&#xff08;AGI&#xff09;的公司现在放弃了机器人研究&#xff0c;理由是「数据不够丰富」。近期&#xff0c;OpenAI 公司联合创始人 Wojcie…

Unity-游戏小地图实战(前述知识点回顾与运用)

阶段知识回顾与运用---游戏中小地图实战 对于多个摄像机&#xff0c;每个摄像机都带有音频监听器&#xff0c;会出现错误&#xff0c;因为我们只需要一个音频监听器&#xff0c;为了消除错误&#xff0c;需要移除其他摄像机的音频监听器&#xff0c;只保留主摄像机的音频监听器…

NTT高级科学家:光子是深度学习的未来!光子有望替代电子计算机加速神经网络计算...

来源&#xff1a;AI科技评论作者&#xff1a;Ryan Hamerly编译&#xff1a;陈彩娴近日&#xff0c;来自日本 NTT 研究所的高级科学家 Ryan Hamerly 在 IEEE Spectrum 上发表了一篇文章&#xff08;“The Future of Deep Learning Is Photonic”&#xff09;&#xff0c;谈论了光…

Unity3D-InstantOC遮挡剔除

InstantOC&#xff08;插件&#xff09; 渲染管线 图形数据在GPU上经过运算处理&#xff0c;最后输出到屏幕的过程。对于显示出来的图形&#xff0c;CPU与GPU的分工 CPU判断需要显示的图形图像调用图形API&#xff1b;绘制调用&#xff08;Draw Call&#xff09;&#xff1a;每…

WCF系列(一)BasicHttpBinding 和 WsHttpBinding 的不同点

aaaaaaaaaaaaaaaaaa WCF系列&#xff08;一&#xff09;【翻译】BasicHttpBinding 和 WsHttpBinding 的不同点 2010-02-21 12:23 by Virus-BeautyCode, 20206 阅读, 7 评论, 收藏, 编辑 原文地址&#xff1a;Difference between BasicHttpBinding and WsHttpBinding 1、简介 WC…