例子2
创建数据
import tensorflow as tf
import numpy as np
# create data
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data*0.1 + 0.3
搭建模型
用 tf.Variable 来创建描述 y 的参数
神经网络也就是学着把 Weights 变成 0.1, biases 变成 0.3
Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
biases = tf.Variable(tf.zeros([1]))
y = Weights*x_data + biases
计算误差
loss = tf.reduce_mean(tf.square(y-y_data))
传播误差
误差传递方法是梯度下降法: Gradient Descent
用 optimizer 来进行参数的更新.
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)
训练
使用这个结构之前, 必须先初始化所有之前定义的Variable
init = tf.global_variables_initializer()
用 Session 来执行 init 初始化步骤
并且, 用 Session 来 run 每一次 training 的数据. 逐步提升神经网络的预测准确性.
sess = tf.Session()
sess.run(init) # Very important
for step in range(201):
sess.run(train)
if step % 20 == 0:
print(step, sess.run(Weights), sess.run(biases))
Last updated
Was this helpful?