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

阿新 • • 發佈：2018-12-01

[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="learnLinear();">開始2</button>
  <div id="p2Id">out2</div>
</body>

<script>
  //document.getElementById("p0Id").innerHTML = 0;
  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 + (0.1 * (2 * Math.random() - 1));
    }
    return (ys);
  }
  var xs = new Array();
  for (var i = 0; i < 100; i++) {
    xs[i] = 0.02 * i;
  }
  var ys = get_ys(xs);
  const xst = tf.tensor(xs, [xs.length, 1]);
  const yst = tf.tensor(ys, [ys.length, 1]);

  function get_weights(shape) {
    return (tf.variable(tf.randomNormal(shape)));
  }

  function get_bais(shape) {
    return (tf.variable(tf.fill(shape, 0.1)));
  }
  const w1 = get_weights([1, 10]);
  const w2 = get_weights([10, 1]);
  const b1 = get_bais([1, 10]);
  const b2 = get_bais([1, 1]);

  function predict(x) {
    return tf.tidy(() => {
      const l1 = tf.elu(tf.add(tf.matMul(x, w1), b1)); //不支援運算子過載 tf.add() 不能寫成 +
      const y = tf.add(tf.matMul(l1, w2), b2);
      return y;
    });
  }

  function loss(predictions, labels) {
    // 將labels（實際的值）進行抽象
    // 然後獲取平均數.
    return tf.tidy(() => {
      const meanSquareError = tf.mean(tf.square(tf.sub(predictions, labels)));
      return meanSquareError;
    });
  }
  const learningRate = 1;
  const optimizer = tf.train.adagrad(learningRate);
  const numIterations = 1001;

  function training() {
    for (var iter = 0; iter < numIterations; iter++) {
      optimizer.minimize(() => {
        const loss_var = loss(predict(xst), yst);
        if(iter % 100 ==0)
          loss_var.print();
        return loss_var;
      })
    }
  }

  training();
  const text_xs = tf.tensor([0,1,3], [3, 1]);
  predict(text_xs).print();
</script>

</html>

輸出結果
進行1000輪訓練以後，我們輸入[0,1,3]進行預測，得到結果為
[[2.9647527],
[1.9793538],
[3.9484348]]
較好地擬合了曲線。

log

"Tensor
    4.915620803833008"
"Tensor
    0.018092654645442963"
"Tensor
    0.01064694207161665"
"Tensor
    0.008950537070631981"
"Tensor
    0.008051211014389992"
"Tensor
    0.007439687382429838"
"Tensor
    0.006973605137318373"
"Tensor
    0.006602670066058636"
"Tensor
    0.006299363449215889"
"Tensor
    0.0060538649559021"
"Tensor
    0.005853266455233097"
"Tensor
    [[2.9647527],
     [1.9793538],
     [3.9484348]]"

[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

[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

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

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

[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

四、佇列的使用（基於記憶體和基於資料庫）

轉載自：https://blog.csdn.net/yang5726685/article/details/54234569 今天跟大家來看看如何在專案中使用佇列。首先我們要知道使用佇列的目的是什麼？一般情況下，如果是一些及時訊息的處理，並且處理時間很短的情況下是不需要使用佇列的，直接阻

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] = {

《Java8實戰》-第八章筆記（重構、測試和除錯）

重構、測試和除錯通過本書的前七章，我們瞭解了Lambda和Stream API的強大威力。你可能主要在新專案的程式碼中使用這些特性。如果你建立的是全新的Java專案，這是極好的時機，你可以輕裝上陣，迅速地將新特性應用到專案中。然而不幸的是，大多數情況下你沒有機會從頭開始一個全新的專案。很多時候，你不得不面

詳解如何用爬蟲程式採集新聞資訊資料（以中國日報為例）

半個世紀以來，隨著計算機技術全面融入社會生活，資訊爆炸已經積累到了一個開始引發變革的程度。它不僅使世界充斥著比以往更多的資訊，而且其增長速度也在加快，創造出了“大資料（Big Data）”這個概念。如今，這個概念幾乎應用到了所有人類智力與發展的領域中。 Big Data是近來的一個技術熱點，歷

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

最小二乘法擬合圓公式推導及vc實現[r]

{ if (m_nNum<3) { return; } int i=0; double X1=0; double Y1=0; double X2=0; double Y2=0; double X3=0; double Y3=0;

隨機樣本一致性：一種用於影象分析和自動製圖的模型擬合模型（5）--（P4P的解析解）

（一）P4P問題的解析解條件：已知物平面和像平面中的四對同名像點；透視中心到像平面的距離（即攝影系統的焦距）；像平面中主光點的位置（位置，也就是像平面中的座標，該點是主光軸在像平面上的焦點）；求解：透視中心相對於物方座標系統下的3維位置。符號說明： (1)像

四柱推算小程式（綠皮程式設計生動案例）

參考了種種演算法，最後的成品能推算1950~2050年間所有的年月日時干支，但是在春節前後可能不準。 NOIP賽前寫下的小程式，用以放鬆心情，大家如果春節前後需要排盤還是百度一下比較好。耿直的我直接上程式碼好了： /* Name: 四柱推算小程式 Copy

HDU 6338 2018HDU多校賽第四場 Depth-First Search（組合數學+平衡樹/pbds）

大致題意：給你一個dfs序列B和一棵樹，現在讓你在這個樹上隨機選擇一個點，然後按照隨機的dfs順序走。問你最後能走出幾個dfs序列，是得該dfs序列字典序小於給定的dfs序B。首先，我們考慮一棵樹有根樹他的dfs序有多少種。我們可以這麼考慮，對於任意點x，

[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）

相關推薦