本文實例為大家分享了tensorflow實現彈性網絡回歸算法，供大家參考，具體內容如下

python代碼：

#用tensorflow實現彈性網絡算法(多變量) #使用鳶尾花數據集，后三個特征作為特征，用來預測第一個特征。   #1 導入必要的編程庫，創建計算圖，加載數據集 import matplotlib.pyplot as plt import tensorflow as tf import numpy as np from sklearn import datasets from tensorflow.python.framework import ops  ops.get_default_graph() sess = tf.Session() iris = datasets.load_iris()  x_vals = np.array([[x[1], x[2], x[3]] for x in iris.data]) y_vals = np.array([y[0] for y in iris.data])   #2 聲明學習率，批量大小，占位符和模型變量,模型輸出 learning_rate = 0.001 batch_size = 50 x_data = tf.placeholder(shape=[None, 3], dtype=tf.float32) #占位符大小為3 y_target = tf.placeholder(shape=[None, 1], dtype=tf.float32) A = tf.Variable(tf.random_normal(shape=[3,1])) b = tf.Variable(tf.random_normal(shape=[1,1])) model_output = tf.add(tf.matmul(x_data, A), b)   #3 對于彈性網絡回歸算法，損失函數包括L1正則和L2正則 elastic_param1 = tf.constant(1.) elastic_param2 = tf.constant(1.) l1_a_loss = tf.reduce_mean(abs(A)) l2_a_loss = tf.reduce_mean(tf.square(A)) e1_term = tf.multiply(elastic_param1, l1_a_loss) e2_term = tf.multiply(elastic_param2, l2_a_loss) loss = tf.expand_dims(tf.add(tf.add(tf.reduce_mean(tf.square(y_target - model_output)), e1_term), e2_term), 0)    #4 初始化變量， 聲明優化器， 然后遍歷迭代運行， 訓練擬合得到參數 init = tf.global_variables_initializer() sess.run(init) my_opt = tf.train.GradientDescentOptimizer(learning_rate) train_step = my_opt.minimize(loss)  loss_vec = [] for i in range(1000):    rand_index = np.random.choice(len(x_vals), size=batch_size)    rand_x = x_vals[rand_index]    rand_y = np.transpose([y_vals[rand_index]])    sess.run(train_step, feed_dict={x_data:rand_x, y_target:rand_y})    temp_loss = sess.run(loss, feed_dict={x_data:rand_x, y_target:rand_y})    loss_vec.append(temp_loss)    if (i+1)%250 == 0:      print('Step#' + str(i+1) +'A = ' + str(sess.run(A)) + 'b=' + str(sess.run(b)))      print('Loss= ' +str(temp_loss))        #現在能觀察到， 隨著訓練迭代后損失函數已收斂。 plt.plot(loss_vec, 'k--') plt.title('Loss per Generation') plt.xlabel('Generation') plt.ylabel('Loss') plt.show() 

本文參考書《Tensorflow機器學習實戰指南》

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持武林站長站。