龙采网站建设,网站建设设计技巧,音乐网站系统怎么做,企业网站 批量备案环境#xff1a;tensorflow2 kaggle
这几天突发奇想#xff0c;用深度学习训练2次函数。先在网上找找相同的资料这方面资料太少了。大多数如下#xff1a;
。
给我的感觉就是#xff0c;用深度学习来做#xff0c;真的很容易。
网上写出代码分析的比较少。但是也找到了… 环境tensorflow2 kaggle
这几天突发奇想用深度学习训练2次函数。先在网上找找相同的资料这方面资料太少了。大多数如下
。
给我的感觉就是用深度学习来做真的很容易。
网上写出代码分析的比较少。但是也找到了一篇写的言简意赅不过我自已训练时却发现对训练之外的数据预测的不好。下面分两部分来阐明这一现像与我的思考。 一、代码复现
(204条消息) tensorflow2.0实现简单曲线拟合_一只双鱼儿的博客-CSDN博客_tensorflow2 曲线拟合
网络结构如下
model tf.keras.Sequential([tf.keras.layers.Dense(10,input_shape(1,),activationelu),tf.keras.layers.Dense(1)
])该文章效果如下 可以看出在训练集内效果是很好的但是博主没有使用训练集外的数据。于是我扩展了预测集效果如下 可以发现 在[1,5]定义域内基本就是直线了。
这就很奇怪了在训练集内是曲线之外是直线。看网络结构确实引入了非线性的环节如:activationelu。那这个非线性环节究竟有多大用呢这就引出了第一个问题。
我试着将网络结构改为如下(也就是只保留线性环节) model tf.keras.Sequential([tf.keras.layers.Dense(10,input_shape(1,),activationelu),tf.keras.layers.Dense(1)
])model tf.keras.Sequential([tf.keras.layers.Dense(1,input_shape(1,)),tf.keras.layers.Dense(1)
])
效果如下 好吧那第一个问题是解决了。activationelu效果是很明显的。 二、为什么在训练集之外生成了直线
是过拟合吗将训练集变成了查表法
我做了如下实验这其实是我的第二步yax^2bxc[noise]第一步没保存用来满足yx^2已经足够了
ds_x []
ds_y []# 生成数据集
ds_x np.linspace(-1,1,100)
ds_y 5*ds_x**2 9*ds_x 300 np.random.randn(100)*0.05class model_x2(tf.keras.Model):def __init__(self):super(model_x2,self).__init__()self.layer1 tf.keras.layers.Dense(1)self.layer1_2 tf.keras.layers.Dense(1)self.layer2 tf.keras.layers.Dense(1)def call(self,in1):in2 tf.keras.layers.Multiply()((in1,in1,in1)) #in1 * in1x self.layer1(in2)x1_2 self.layer1_2(in1)x2 tf.keras.layers.concatenate((x,x1_2))out self.layer2(x2)return outmodel model_x2()
model.build(input_shape(None,1))
model.summary()opt tf.keras.optimizers.Adam(learning_rate0.01)
los tf.keras.losses.MeanSquaredError()
acc tf.keras.metrics.MeanSquaredError()
model.compile(optimizeropt,losslos,metricsacc)model.fit(ds_x,ds_y,epochs500)#以下就是画图了将数据集里【-11】添加到【-13】多出来的【13】示为预测
x np.linspace(-1,3,20000) #np.array(range(1,100,1))
#y x**xy_predict model.predict(x)ds_x np.linspace(-1,3,100)
ds_y 5*ds_x**2 9*ds_x 300 np.random.randn(100)*0.05plt.scatter(ds_x,ds_y)
plt.plot(x,y_predict,r)
plt.show() #以下就是画图了将数据集里【-11】添加到【-13】多出来的【13】示为预测
效果如下 三、结论 用深度学习的多层结构拟合非线性数据
NONONO
应该手动引用非线性因子。
这不禁让我想起了曾经的日子我们都知道3极管可以线性放大但是有没有一种方式可以产生x^2项。当然是可以的这就涉及到2极管还是3极管。。。的物理公式如下。。。
知道的小伙伴可以在评论区留言。
