深度学习tensorflow：入门、原理与进阶实战的第一个例子简化演示

约定不等于承诺〃 2022-04-12 07:56 136阅读 0赞

深度学习tensorflow：入门、原理与进阶实战的第一个例子，我做了适当简化，图像动态演示数据在训练过程中，不断逼近函数y=2x的过程。

import tensorflow as tf
    import numpy as np
    import matplotlib.pyplot as plt
    #准备训练数据，并且画出数据点的分布
    train_X=np.linspace(-1,1,100)
    train_Y=2*train_X+np.random.randn(*train_X.shape)*0.2
    plt.grid()
    plt.plot(train_X,train_Y,'ro',label='Original data')
    
    #搭建模型
    X=tf.placeholder(tf.float32)
    Y=tf.placeholder(tf.float32)
    W=tf.Variable(tf.random_normal([1]),name="weight")
    b=tf.Variable(tf.zeros([1]),name="bias")
    #前向结构
    z=tf.multiply(X,W)+b
    #反向优化
    cost=tf.reduce_mean(tf.square(Y-z))
    learning_rate=0.01
    optimizer=tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)
    #初始化
    init=tf.global_variables_initializer()
    training_epochs=100
    #启动模型
    with tf.Session() as sess:
        sess.run(init)
        plotdata={ "epoch":[],"loss":[]}
        for epoch in range(training_epochs):
            for (x,y) in zip(train_X,train_Y):
                sess.run(optimizer,feed_dict={ X:x,Y:y}) #每一次优化，cost是一个标量：衡量误差的标量
            loss=sess.run(cost,feed_dict={ X:train_X,Y:train_Y})#每训练一个纪元，根据此时weight和bias统计一下此时的平均误差衡量数值loss
            print("Epoch:",epoch+1,"Cost:",loss,"W=",sess.run(W),"b=",sess.run(b))
            plotdata["epoch"].append(epoch)
            plotdata["loss"].append(loss)
            plt.plot(train_X,sess.run(z,feed_dict={ X:train_X,Y:train_Y}))
            plt.title("W:%f,b:%f"%(sess.run(W),sess.run(b)))
            plt.legend()
            plt.pause(0.1)
        print("Finished")
        plt.show()

改代码请在IDE中运行，jupyter中无法显示动态图