2. 程式人生 > >[TensorFlowJS只如初見]實戰三·使用TensorFlowJS擬合曲線

[TensorFlowJS只如初見]實戰三·使用TensorFlowJS擬合曲線

阿新 • • 發佈：2018-12-01

[TensorFlowJS只如初見]實戰三·使用TensorFlowJS擬合曲線

  • 問題描述
    擬合y= x*x -2x +3 + 0.1(-1到1的隨機值) 曲線
    給定x範圍（0，3）

  • 問題分析
    在直線擬合部落格中，我們使用最簡單的y=wx+b的模型成功擬合了一條直線，現在我們在進一步進行曲線的擬合。簡單的y=wx+b模型已經無法滿足我們的需求，需要利用更多的神經元來解決問題了。

  • 程式碼

<html>

<head>
  <script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs"
 
>
  </script>

</head>

<body>
  <button class="btn btn-primary" onclick="fnRun0();">開始0</button>
  <div id="p0Id">out0</div>
  <button class="btn btn-primary" onclick="fnRun1();">開始1</button>
  <div id="p1Id">out1</div>
  <button class="
 
btn btn-primary" onclick="fnRun2();">開始2</button>
  <div id="p2Id">out2</div>
</body>

<script>
  function get_ys(xs) {
    var ys = new Array();
    for (var i = 0; i < xs.length; i++) {
      ys[i] = xs[i] * xs[i] - 2 * xs[i] + 3 + (0.001 * (2 * Math.random() - 1));
    }
 

    return (ys);
  }
  var xs = new Array();
  for (var i = 0; i < 200; i++) {
    xs[i] = 0.01 * i;
  }
  var ys = get_ys(xs);
  const xst = tf.tensor(xs, [xs.length, 1]);
  const yst = tf.tensor(ys, [ys.length, 1]);
  const a = tf.variable(tf.scalar(Math.random()));
  const b = tf.variable(tf.scalar(Math.random()));
  const c = tf.variable(tf.scalar(Math.random()));

  function predict(x) {
    return tf.tidy(() => {
      return a.mul(x.square())
        .add(b.mul(x))
        .add(c);
    });
  }

  function loss(prediction, labels) {
    const error = prediction.sub(labels).square().mean();
    return error;
  }
  const numIterations = 1000;
  const learningRate = 0.12;
  
  const optimizer = tf.train.sgd(learningRate);

  
  function train(xst, yst, numIterations) {
    for (var iter = 0; iter < numIterations+1; iter++) {

      optimizer.minimize(() => {
        const predsYs = predict(xst);
        if(iter%100==0){
          console.log(iter+" steps loss is "+loss(predsYs, yst));
        }
        return loss(predsYs, yst);
      });
    }
    const test_xs = tf.tensor([0.5,1,1.5],[3,1]);
    predict(test_xs).print();
  }
  train(xst,yst,numIterations);
  
</script>

</html>
  • 輸出結果
    進行1000輪訓練以後，我們輸入[0.5,1,1.5]進行預測，得到結果為
    [[2.2503195],
    [2.0105994],
    [2.2543631]]
    較好地擬合了曲線。

log

"0 steps loss is Tensor
    1.7456094026565552"
"100 steps loss is Tensor
    0.08455191552639008"
"200 steps loss is Tensor
    0.040247201919555664"
"300 steps loss is Tensor
    0.0191580131649971"
"400 steps loss is Tensor
    0.009119458496570587"
"500 steps loss is Tensor
    0.004341088235378265"
"600 steps loss is Tensor
    0.0020665652118623257"
"700 steps loss is Tensor
    0.0009838765254244208"
"800 steps loss is Tensor
    0.0004685141902882606"
"900 steps loss is Tensor
    0.00022319876006804407"
"1000 steps loss is Tensor
    0.00010642936103977263"
"Tensor
    [[2.2503195],
     [2.0105994],
     [2.2543631]]"

相關推薦

[TensorFlowJS只如初見]實戰三·使用TensorFlowJS擬合曲線

[TensorFlowJS只如初見]實戰三·使用TensorFlowJS擬合曲線 問題描述 擬合y= x*x -2x +3 + 0.1(-1到1的隨機值) 曲線 給定x範圍（0，3） 問題分析 在直線擬合部落格中，我們使用最簡單的y=wx+b的模型成功擬合了一條直線，

[TensorFlowJS只如初見]實戰四·使用TensorFlowJS擬合曲線（類似TensorFlow原生實現方法）

[TensorFlowJS只如初見]實戰四·使用TensorFlowJS擬合曲線（類似TensorFlow原生實現方法） 問題描述 擬合y= x*x -2x +3 + 0.1(-1到1的隨機值) 曲線 給定x範圍（0，3） 問題分析 在直線擬合部落格中，我們使用最簡單

[TensorFlowJS只如初見]實戰二·使用TensorFlowJS擬合直線

[TensorFlowJS只如初見]實戰二·使用TensorFlowJS擬合直線 問題描述 擬合直線 y =（2x -1） + 0.1(-1到1的隨機值) 給定x範圍（0，3） 可以使用學習框架 建議使用 y = w * x + b 網路模型 程式碼 1、通過操作（ops）

[TensorFlowJS只如初見]實戰一·JavaScript原生程式碼實現梯度下降求最小值

[TensorFlowJS只如初見]實戰一·JavaScript原生程式碼實現梯度下降 問題描述： 求解y1 = xx -2 x +3 + 0.01*(-1到1的隨機值) 與 y2 = 0 的最小距離點（x,y） 給定x範圍（0，3 不使用學習框架，手動編寫梯度下降公式求解，提示

初見Python運算符_人生若只如初見

表格 位與 pre 例子 系列文章 比較運算符 list ref 右移 本系列文章是在學習Python的過程中遇到了瓶頸，轉到菜鳥教程去體會初見Python的樂趣，完善整體知識框架。加強自我對Python語言的理解以及對Python知識點的掌握。本文來源於：菜鳥教程（學習記

[深度學習入門]實戰三·使用TensorFlow擬合曲線

[深度學習入門]實戰三·使用TensorFlow擬合曲線 問題描述 擬合y= x*x -2x +3 + 0.1(-1到1的隨機值) 曲線 給定x範圍（0，3） 問題分析 在上篇部落格中，我們使用最簡單的y=wx+b的模型成功擬合了一條直線，現在我們在進一步進行曲線的擬

人生若只如初見

原文連結：天龍八部眾 文章目錄釋義天眾二十四天龍眾夜叉乾達婆阿修羅迦樓羅緊那羅摩呼羅迦 釋義 天龍八部（梵語：Aṣṭasenā；標準藏語：lha srin sde brgyad），是佛教概念，指佛教護法神隊伍中以天、龍為首的八種神話種族，包含天眾、龍眾、夜叉、

《人生若只如初見——古典詩詞的美麗與哀愁》--安意如

第一部分天不絕人願 故使儂見郎（圖） 月下吹蕭圖 　　我在夜裡讀完《子夜歌》，如同喝了一杯香馥卻冷掉的花茶。擡頭看見窗外星河斑斕，別有涼意，一時黯黯無言。心裡纏綿悱惻地難受，像“子夜”這個帶著濃烈芬芳的憂傷名字突然之間在暗夜裡花開如樹，驚豔寂寞。　　“《子夜歌》雲是晉女子

Kotlin入門系列教程—Kotlin若只如初見

多平臺開發的可能 ：基於 JVM 的開發，Android 開發，Web 開發，Native（原生）開發。其中 Web 開發可以結合 Spring 框架，而且 Kotlin 也可以編譯生成 JavaSript 模組，可以在一些 JavaScript 的虛擬機器上編譯。Native 開發就更牛了，目前 Kotli

人生若只如初見.......

一些常用的js方法,使用這些方法,到是可以節省不少時間 function getObj(id){ return document.getElementById(id); } //獲取物件 function getValue(id)...{ return

python專案實戰:實現資料視覺化三維擬合

前言 今天為大家介紹一個利用python實現資料視覺化三維擬合,具有一定的參考價值,下面就來看看具體的實現過程吧, 匯入第三方

[PyTorch小試牛刀]實戰一·使用PyTorch擬合曲線（對比PyTorch與TensorFlow實現的區別）

[PyTorch小試牛刀]實戰一·使用PyTorch擬合曲線 在深度學習入門的部落格中，我們用TensorFlow進行了擬合曲線，到達了不錯的效果。 我們現在使用PyTorch進行相同的曲線擬合，進而來比較一下TensorFlow與PyTorch的異同。 搭建神經網路進行訓練的步驟基本相

使用Levmar的L-M演算法擬合曲線

本文所要你擬合的曲線公式： 未知引數：Pi 所求引數數目m=4 已知的點數目n=7 初始的引數設定 p[m] = { 1,1,1,1 } X[i]設定為y： x[n] = {

pytorch-神經網路擬合曲線

程式碼已經調通，跑出來的效果如下： # coding=gbk import torch import matplotlib.pyplot as plt from torch.autograd import Variable import torch.nn.functional as F

影象處理九：擬合曲線

一、最小二乘法擬合曲線 import numpy as np import matplotlib.pyplot as plt from scipy.optimize import curve_fit #自定義函式 e指數形式 def func(x, a, b,c): return

如何使用線性代數實現最小二乘法擬合曲線

也許在我們讀高中的時候，就知道在數學的世界裡，有一種直線擬合的方式：最小二乘法。它是一種數學優化技術，原理是通過最小化誤差的平方和尋找資料的最佳函式匹配。 比如研究x和y之間的關係，假設我們擁有的資料是將這些資料描繪在x-y直角座標系中，發現這些點並沒有能夠連線成一條直線。

SpringMVC實戰(三種映射處理器)

oca test 機制 -s pre 請求 frame 介紹 html 1.前言 上一篇博客,簡單的介紹了一下SpringMVC的基礎知識,這篇博客來說一下SpringMVC中的幾種映射處理器機制. 2.三種映射處理器 2.1 B

ActiveMQ5.0實戰三:使用Spring發送,消費topic和queue消息

cme 擁有 支持 add gin logs ges .get sum 實戰一 , 實戰二 介紹了ActiveMQ的基本概念和配置方式. 本篇將通過一個實例介紹使用spring發送,消費topic, queue類型消息的方法. 不懂topic和queue的google 之

人生若如初見，又當如何？

感情 哲學 初見 前天晚上，周傑倫杭州的演唱會點歌環節，一位叫“小仙女”的女歌迷說：“傑倫，我的前男友也在現場，他要結婚了，雖然他長得醜，眼睛也瞎了，我還是想祝福他，我想點首《算什麽男人》給他。如果他老婆來了，請把鏡頭拉近一點，讓她看看我！多！美！”。 這個“手撕前男友”的“小仙女”，一下子就成了

機器學習實戰三（Naive Bayes）

需要 blog bag puts list tps foo 實戰 簡單的 機器學習實戰三（Naive Bayes） 前兩章的兩種分類算法，是確定的分類器，但是有時會產生一些錯誤的分類結果，這時可以要求分類器給出一個最優的猜測結果，估計概率。樸素貝葉斯就是其中一種。 學過概率