目录
一、拟合线性函数
1、生成随机坐标
2、神经网络拟合
代码
二、拟合非线性函数
1、生成二次随机点
2、神经网络拟合
代码
一、拟合线性函数
学习率0.03，训练1000次：
学习率0.05，训练1000次：
学习率0.1，训练1000次：
可以发现，学习率为0.05时的训练效果是最好的。
1、生成随机坐标
1、生成x坐标
2、生成随机干扰
3、计算得到y坐标
4、画点
# 生成随机点def Produce_Random_Data():global x_data, y_data# 生成x坐标x_data = np.random.rand(100)# 生成随机干扰noise = np.random.normal(0, 0.01, x_data.shape)# 均值 标准差 输出的形状# 计算y坐标y_data = 0.2 * x_data + 0.3 + noise# 画点plt.scatter(x_data, y_data)
2、神经网络拟合
1、创建神经网络
2、设置优化器与损失函数
3、训练（根据已有数据）
4、预测（给定横坐标，预测纵坐标）
# 创建神经网络（训练及预测）def Neural_Network():# 1 创建神经网络model = tf.keras.Sequential()# 为神经网络添加层model.add(tf.keras.layers.Dense(units=1, input_dim=1))# 隐藏层 神经元个数 输入神经元个数# 2 设置优化器与损失函数pile(optimizer=SGD(0.05), loss='mse')# 优化器学习率0.05 损失函数# SGD：随机梯度下降法# mse：均方误差# 3 训练for i in range(1000):# 训练数据并返回损失loss = model.train_on_batch(x_data, y_data)# print(loss)# 4 预测y_pred = model.predict(x_data)# 5 显示预测结果（拟合线）plt.plot(x_data, y_pred, 'r-', lw=3) #lw:线条粗细
代码
# 拟合线性函数import osos.environ['TF_CPP_MIN_LOG_LEVEL']='2'import numpy as npimport matplotlib.pyplot as pltimport tensorflow as tffrom tensorflow.keras.optimizers import SGD# 生成随机点def Produce_Random_Data():global x_data, y_data# 生成x坐标x_data = np.random.rand(100)# 生成随机干扰noise = np.random.normal(0, 0.01, x_data.shape)# 均值 标准差 输出的形状# 计算y坐标y_data = 0.2 * x_data + 0.3 + noise# 画点plt.scatter(x_data, y_data)# 创建神经网络（训练及预测）def Neural_Network():# 1 创建神经网络model = tf.keras.Sequential()# 为神经网络添加层model.add(tf.keras.layers.Dense(units=1, input_dim=1))# 隐藏层 神经元个数 输入神经元个数# 2 设置优化器与损失函数pile(optimizer=SGD(0.05), loss='mse')# 优化器学习率0.05 损失函数# SGD：随机梯度下降法# mse：均方误差# 3 训练for i in range(1000):# 训练数据并返回损失loss = model.train_on_batch(x_data, y_data)# print(loss)# 4 预测y_pred = model.predict(x_data)# 5 显示预测结果（拟合线）plt.plot(x_data, y_pred, 'r-', lw=3) #lw:线条粗细# 1、生成随机点Produce_Random_Data()# 2、神经网络训练与预测Neural_Network()plt.show()
二、拟合非线性函数
第一层10个神经元：
第一层5个神经元：
我感觉第一层5个神经元反而训练效果比10个的好。。。
1、生成二次随机点
步骤：
1、生成x坐标
2、生成随机干扰
3、计算y坐标
4、画散点图
# 生成随机点def Produce_Random_Data():global x_data, y_data# 生成x坐标x_data = np.linspace(-0.5, 0.5, 200)[:, np.newaxis]# 增加一个维度# 生成噪声noise = np.random.normal(0, 0.02, x_data.shape)# 均值 方差# 计算y坐标y_data = np.square(x_data) + noise# 画散点图plt.scatter(x_data, y_data)
2、神经网络拟合
步骤：
1、创建神经网络
2、设置优化器及损失函数
3、训练（根据已有数据）
4、预测（给定横坐标，预测纵坐标）
5、画图
# 神经网络拟合（训练及预测）def Neural_Network():# 1 创建神经网络model = tf.keras.Sequential()# 添加层# 注：input_dim(输入神经元个数)只需要在输入层重视设置，后面的网络可以自动推断出该层的对应输入model.add(tf.keras.layers.Dense(units=5, input_dim=1, activation='tanh'))#神经元个数 输入神经元个数 激活函数model.add(tf.keras.layers.Dense(units=1, activation='tanh'))# 2 设置优化器和损失函数pile(optimizer=SGD(0.3), loss='mse')# 优化器学习率损失函数(均方误差)# 3 训练for i in range(3000):# 训练一次数据，返回lossloss = model.train_on_batch(x_data, y_data)# 4 预测y_pred = model.predict(x_data)# 5 画图plt.plot(x_data, y_pred, 'r-', lw=5)
代码
# 拟合非线性函数import osos.environ['TF_CPP_MIN_LOG_LEVEL']='2'import numpy as npimport matplotlib.pyplot as pltimport tensorflow as tffrom tensorflow.keras.optimizers import SGD# 生成随机点def Produce_Random_Data():global x_data, y_data# 生成x坐标x_data = np.linspace(-0.5, 0.5, 200)[:, np.newaxis]# 增加一个维度# 生成噪声noise = np.random.normal(0, 0.02, x_data.shape)# 均值 方差# 计算y坐标y_data = np.square(x_data) + noise# 画散点图plt.scatter(x_data, y_data)# 神经网络拟合（训练及预测）def Neural_Network():# 1 创建神经网络model = tf.keras.Sequential()# 添加层# 注：input_dim(输入神经元个数)只需要在输入层重视设置，后面的网络可以自动推断出该层的对应输入model.add(tf.keras.layers.Dense(units=5, input_dim=1, activation='tanh'))#神经元个数 输入神经元个数 激活函数model.add(tf.keras.layers.Dense(units=1, activation='tanh'))# 输出神经元个数# 2 设置优化器和损失函数pile(optimizer=SGD(0.3), loss='mse')# 优化器学习率损失函数(均方误差)# 3 训练for i in range(3000):# 训练一次数据，返回lossloss = model.train_on_batch(x_data, y_data)# 4 预测y_pred = model.predict(x_data)# 5 画图plt.plot(x_data, y_pred, 'r-', lw=5)# 1、生成随机点Produce_Random_Data()# 2、神经网络训练与预测Neural_Network()plt.show()
