python数据拟合第三方库_python应用之基于tensorflow的数据拟合：深度学习之预测入门篇...

实验目的&＃xff1a;1、了解python在深度学习领域的应用

2、学习安装python第三方依赖库

实验环境&＃xff1a;已正确安装python3.5以及依赖库tensorflow、matplotlib

预测过程展示&＃xff1a;

1、应用领域

python是一种高级面向对象的动态类型语言&＃xff0c;具有开发高效&＃xff0c;学习简单的特点&＃xff0c;主要应用于大数据、深度学习、机器学习、以及Web开发等领域&＃xff0c;具有良好的发展前景。

2、依赖库的安装方法

(1)在线直接安装

在命令行模式下利用pip命令安装&＃xff0c;命令格式&＃xff1a;pip install XXX&＃xff0c;如&＃xff1a;

pip install tensorflow#安装tensorflow第三方依赖库

pip install matplotlib#安装matplotlib第三方依赖库

(2)离线安装

离线安装适用于网络较差时&＃xff0c;可以在https://pypi.org/处搜索下载安装包&＃xff0c;然后在命令 行切换到安装包目录利用pip命令安装。

3、原始数据准备

在训练深度学习模型之前必须转备好训练数据&＃xff0c;本文以y&＃61;2x为训练目标进行实验&＃xff1a;

import numpy as np #导入数值计算模块

import matplotlib.pyplot as plt#导入画图模块

#准备数据

train_x&＃61;np.linspace(-1,1,100)#生成1*100的数组

train_y&＃61;2*train_x&＃43;np.random.randn(*train_x.shape)*0.5#生成训练数据时加入了噪声

#数据以图片展示

fig&＃61;plt.figure()

ax&＃61;fig.add_subplot(1,1,1)

ax.scatter(train_x,train_y)

ax.plot(train_x,train_y,&＃39;r*&＃39;,label&＃61;&＃39;Original Data&＃39;)

plt.legend()

plt.ion()

plt.show()

编辑好以上代码后&＃xff0c;运行生成的结果如图

4、搭建训练模型

搭建训练模型是深度学习比较重要的一个环节&＃xff0c;简单的说它是一个运算规则&＃xff0c;本文以一个神经元为例搭建计算模型。

X&＃61;tf.placeholder("float")#定义占位符&＃xff0c;作用&＃xff1a;输入训练值

Y&＃61;tf.placeholder("float")#定义占位符&＃xff0c;作用&＃xff1a;输入标准值

W&＃61;tf.Variable(tf.random_normal([1]),name&＃61;"weight")#定义权重

b&＃61;tf.Variable(tf.zeros([1]),name&＃61;"bias")#定义偏执&＃xff0c;类似于噪声

z&＃61;tf.multiply(X,W)&＃43;b#定义计算结构之前向结构

在定义好计算结构之后&＃xff0c;需要定义优化规则

cost&＃61;tf.reduce_mean(tf.square(Y-z))#定义以训练值与预测值的均方根误差为评判准则

learn_rate&＃61;0.01#定义学习率

optimizer&＃61;tf.train.GradientDescentOptimizer(learn_rate).minimize(cost)#定义训练方法(以梯度下降的方法进行训练&＃xff0c;以误差&＃xff1a;cost达到最小为目标)

5、模型训练

上一步骤就类似于画出了计算规则的蓝图&＃xff0c;但是其并未进行运算&＃xff0c;需要初始化变量、定义会话并在会话中利用run()方法启动图的运算&＃xff0c;这也是tensorflow的一个特点

init&＃61;tf.global_variables_initializer()#定义初始化变量的对象

training_epochs&＃61;25#定义迭代训练次数

display_step&＃61;2#定义可视化步长

with tf.Session() as sess:#定义会话

sess.run(init)

for epoch in range(training_epochs):

for (x,y) in zip(train_x,train_y):

sess.run(optimizer,feed_dict&＃61;{X:x,Y:y})

if epoch % display_step &＃61;&＃61; 0:

loss &＃61; sess.run(cost,feed_dict&＃61;{X:train_x,Y:train_y})

print("Epoch:",epoch&＃43;1,"cost&＃61;",loss,"W&＃61;",sess.run(W),"b&＃61;",sess.run(b))

#动态可视化定义

try:

ax.lines.remove(lines[0])#先抹除旧线再去画新线

except Exception:

pass

lines&＃61;ax.plot(train_x,train_x*sess.run(W)&＃43;sess.run(b),&＃39;b-&＃39;,label&＃61;&＃39;pridect Data&＃39;)

plt.pause(8)

plt.legend()

预测结果图

预测过程参数输出