深度學習入門筆記之——基於 tensorflow 的迴歸代碼實現

深度學習入門筆記系列 ( 四 )

基於 tensorflow 的迴歸代碼實現

每週一三五 ，相約 7 ：35 。

本系列將分爲 8 篇 。今天是第四篇 。老是理論有些枯燥 ，今天來動手基於 TF 框架實現兩個簡單的案例 ，以小搏大熟悉一下整個過程 。總體來講 ，訓練神經網絡分爲 3 個步驟 ：

1. 定義神經網絡的結構和前向傳播的輸出結果

2. 定義損失函數以及選擇反向傳播優化的算法

3. 生成會話（tf.Session) 並在訓練數據上反覆運行反向傳播優化算法

現以直線擬合和迴歸擬合兩個簡單案例來熟悉以上 3 個步驟 。

1.直線的擬合

好比咱們如今要用 y = k * x + b (其中 k ,b爲參數)經過屢次的訓練來擬合直線 y = 5 * x + 1 。

根據上述 3 個步驟 ，首先構造線性模型 y = k * x + b ，咱們目的就是經過訓練 ，使得參數 k ，b 去逼近真實值 5 ，1 。以後定義損失函數 ，這裏咱們用的是二次代價函數 ；選用梯度降低法進行優化 。最後在會話（tf.Session）中進行反覆的優化 。具體代碼和註釋以下 ：

運行結果以下 ，通過 100 輪的訓練優化 ，參數的訓練值已經很逼近真實值了 。

2.線性迴歸

迴歸問題和分類問題不太同樣 ，分類是獲得結果爲 label ，表示類別 ，好比二分類問題等 ，是離散的 ，有限個類別 。迴歸則是連續的 ，具體看下面例子 。

本例中 ，咱們用 y = x*x +noise 隨機生成200個散點 ，用神經網絡訓練 ，擬合出較爲理想的迴歸結果 。

同上述 3 個步驟 ，第一步是定義網絡結構和基本信息 ，這部分代碼造了一個 10 個節點的中間層 ，以後直接鏈接一個節點的輸出 。輸入散點則是利用 numpy 在區間（-0.5，0.5）間生成 200 個散點 ，並在輸出中添加了 noise 信息 。具體以下。

這裏選用的代價函數爲二次代價函數 ，優化算法也是梯度降低法 。以後執行對應的訓練 ，並將結果以繪圖形式輸出 。代碼以下 ：

運行該代碼 ，獲得的結果以下 。

本篇兩個案例都比較簡單 ，主要目的在於用兩個簡單實例熟悉神將網絡訓練的基本步驟 。最後 ，若是以爲這個系列不錯 ，記得掃碼關注噢 ！

往期推薦：

1. 深度學習入門筆記系列 ( 三 )

2. 深度學習入門筆記系列 ( 二 )

3. 

深度學習入門筆記系列 ( 一 )

                                         歡迎您的轉發分享

                             

                                            ▲掃碼關注咱們

                                      我的微信：python_jiang