目录

一、在TensorFlow中，首先定义

二、统一的任务，pytorch来实现一下

---

先看下要做的内容，创建一元二次函数y=x平方-0.5，其中为了更符合散点图模拟需要，在方程加噪点，以标准方差0.05行驶，如图所示

折线图

散点图

下面我们要做的，是要计算机自动拟合出该散点图的函数，画出图样，如图

下面，就通过TensorFlow来看如何做出这个样子

一、在TensorFlow中，首先定义

import tensorflow as tf import numpy as np import matplotlib.pyplot as plt #定义隐藏层 def add_layer(inputs,in_size,out_size,activation_function=None): Weights=tf.Variable(tf.random_normal([in_size,out_size])) #权值 biases=tf.Variable(tf.zeros([1,out_size])+0.1) #偏置 Wx_plus_b=tf.matmul(inputs,Weights)+biases #z=wx+b if activation_function is None: outputs=Wx_plus_b else: outputs=activation_function(Wx_plus_b) return outputs #make up some real data x_data=np.linspace(-1,1,300)[:,np.newaxis]#加维度 noise=np.random.normal(0,0.05,x_data.shape)#加噪点，标准方差0.05 y_data=np.square(x_data)-0.5+noise #y=square(x)-0.5+noise #train_step所要输入的值 xs=tf.placeholder(tf.float32,[None,1]) ys=tf.placeholder(tf.float32,[None,1]) ###建立第一,二次隐藏层layer ###add_layer(inputs,in_size,out_size,activation_function=None) l1=add_layer(xs,1,10,activation_function=tf.nn.relu)#激励函数(activation_function)ReLU prediction=add_layer(l1,10,1,activation_function=None) #创建损失函数 loss=tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction), reduction_indices=[1])) train_step=tf.train.GradientDescentOptimizer(0.1).minimize(loss)#梯度下降优化器,减少误差，学习效率0.1 #important step init=tf.initialize_all_variables() sess=tf.Session() sess.run(init) #绘图部分 fig=plt.figure() ax=fig.add_subplot(1,1,1) ax.scatter(x_data,y_data) plt.ion()#不暂停 plt.show() #学习1000步 for i in range(1000): sess.run(train_step,feed_dict={xs:x_data,ys:y_data}) if iP==0: #print(sess.run(loss,feed_dict={xs:x_data,ys:y_data})) #输出误差 try: ax.lines.remove(lines[0]) except Exception: pass prediction_value=sess.run(prediction,feed_dict={xs:x_data}) lines=ax.plot(x_data,prediction_value,'r',lw=5) plt.pause(0.1)

输出误差截图，每50次输出一次，截图如下

 

误差逐渐递减的截图

这样就完成了

二、统一的任务，pytorch来实现一下

import torch from torch.autograd import Variable import torch.nn.functional as F import matplotlib.pylab as plt x=torch.unsqueeze(torch.linspace(-1,1,100),dim=1) #dim=0列 dim=1行 （100,1） y=x.pow(2)+0.2*torch.rand(x.size()) #pow平方 x,y=Variable(x),Variable(y) # plt.scatter(x.data.numpy(),y.data.numpy()) # plt.show() class Net(torch.nn.Module): def __init__(self,n_features,n_hidden,n_output): super(Net,self).__init__() #定义网络有哪些层 self.hidden=torch.nn.Linear(n_features,n_hidden) self.predict=torch.nn.Linear(n_hidden,n_output) #定义层的具体形式 def forward(self,x): x=F.relu(self.hidden(x)) y=self.predict(x) return y net=Net(1,10,1) print(net) ##可视化,实时打印 plt.ioff() plt.show() optimizer=torch.optim.SGD(net.parameters(), lr=0.5) loss_func=torch.nn.MSELoss() for t in range(100): prediction=net(x) loss=loss_func(prediction,y) #优化步骤 optimizer.zero_grad()####每次循环，梯度都先设为0 loss.backward() optimizer.step() if t%5==0: plt.cla() plt.scatter(x.data.numpy(),y.data.numpy()) plt.plot(x.data.numpy(),prediction.data.numpy(),'r-',lw=5) plt.text(0.5,0,'loss=%.4f'%loss.data.numpy(),fontdict={'size':20,'color':'red'}) plt.pause(0.1) plt.ioff() plt.show()