python3深度学习简单demo

为了了解TensorFlow整体流程，学习一个简单的Demo，使用TensorFlow拟合最简单的线性函数：y=w∗x+by=w∗x+b。

输入为x和y，x为[0,1)的随机数，y=0.1∗x+0.3y=0.1∗x+0.3。构造线性模型为y = Weights * x + biases，Weights和biases就是要训练的值。

代码如下：

import tensorflow as tf

import numpy as np

#creat data

x_data = np.random.rand(100).astype(np.float32)     ##输入值[0，1)之间的随机数

y_data = x_data * 0.1 + 0.3     ##预测值

###creat tensorflow structure strat###

# 构造要拟合的线性模型

Weights = tf.Variable(tf.random_uniform([1],-1.0,1.0))    

biases = tf.Variable(tf.zeros([1]))     

y = Weights * x_data + biases   

# 定义损失函数和训练方法

loss = tf.reduce_mean(tf.square(y-y_data))   ##最小化方差    

optimizer = tf.train.GradientDescentOptimizer(0.5)

train = optimizer.minimize(loss)

# 初始化变量

init = tf.initialize_all_variables()

###creat tensorflow structure end###

# 启动

sess = tf.Session()

sess.run(init)

# 训练拟合，每一步训练队Weights和biases进行更新

for step in range(201):

    sess.run(train)

    if step % 20 == 0:  

            print(step,sess.run(Weights),sess.run(biases))  ##每20步输出一下W和b

# 得到最优拟合结果 W接近于0.1，b接近于0.3

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

可以看到TensorFlow整体流程如下： 

1.输入数据 

2.建立模型 

3.定义损失函数和训练方法 

4.初始化和启动Tensorflow会话 

5.训练

结果如下：

0 [ 0.67210519] [-0.04662135]

20 [ 0.24399574] [ 0.21818803]

40 [ 0.13566521] [ 0.27973664]

60 [ 0.10883366] [ 0.29498112]

80 [ 0.10218795] [ 0.29875693]

100 [ 0.10054193] [ 0.29969212]

120 [ 0.10013423] [ 0.29992375]

140 [ 0.10003327] [ 0.29998112]

160 [ 0.10000826] [ 0.29999533]

180 [ 0.10000205] [ 0.29999885]

200 [ 0.10000052] [ 0.29999971]

1

2

3

4

5

6

7

8

9

10

11

可以看到拟合效果很不错。

--------------------- 

作者：岳麓吹雪 

来源：CSDN 

原文：https://blog.csdn.net/lin453701006/article/details/79155713 

版权声明：本文为博主原创文章，转载请附上博文链接！