基于神经网络的实战演练（一）-启动，运行与解读TensorFlow

本文链接：https://blog.csdn.net/weixin_51117061/article/details/121638663

本期主题：启动并运行TensorFlow

参考书籍：

【AO-AZ-90-蜥蜴书-中文版-Hands on Machine Learning with Scikit Learn and Tensorflow】

审核目标：成功跑通蜥蜴书中的前馈神经网络框架，并且成功带入给定的数据集进行分析——注意是实习公司的数据集，不再是原来购买的数据集

本小节整体框架——TensorFlow

Q1:为什么TensorFlow中有创建图谱这种操作？很本元的一个问题

Q3：batch和epoches的含义是什么

Q2：这里的手动渐变和梯度下降以及自动梯度下降到底是干什么的？用在常规的网络里面是干什么

明白这玩意啥意思了

批量梯度下降和随机梯度下降

大白话5分钟带你走进人工智能-第十一节梯度下降之手动实现梯度下降代码(6)

梯度下降之手动实现梯度下降和随机梯度下降的代码

000

#借助随机种子，创建模拟训练集
import numpy as np
np.random.seed(1) #随机种子np.random.seed(1)和直接的随机数np.random.randn(100,1)区别在哪里？
X=2*np.random.randn(10000,1)
Y=4+3*X+np.random.randn(10000,1)
X_b=np.c_[np.ones((10000,1)),X]
#print(X_b)

#学习率，迭代次数，样本数和初始化设定
learning_rate=0.1
n_iterations=500
m=10000
theta=np.random.randn(2,1)
count=0

#循环迭代，促成梯度下降--计算梯度的公式——迭代
for iterations in range(n_iterations):
    count+=1
    gradients=1/m*X_b.T.dot(X_b.dot(theta)-Y)
    theta=theta-learning_rate*gradients

print(count)
print(theta)