您好,登錄后才能下訂單哦!
本文實(shí)例為大家分享了Tensorflow酸奶銷(xiāo)量預(yù)測(cè)分析的具體代碼,供大家參考,具體內(nèi)容如下
# coding:utf-8 # 酸奶成本為1元,利潤(rùn)為9元 # 預(yù)測(cè)少了相應(yīng)的損失較大,故不要預(yù)測(cè)少 # 導(dǎo)入相應(yīng)的模塊 import tensorflow as tf import numpy as np import matplotlib.pyplot as plt BATCH_SIZE=8 SEED=23455 COST=3 PROFIT=4 rdm=np.random.RandomState(SEED) X=rdm.randn(100,2) Y_=[[x1+x2+(rdm.rand()/10.0-0.05)] for (x1,x2) in X] # 定義神經(jīng)網(wǎng)絡(luò)的輸入、參數(shù)和輸出,定義向前傳播過(guò)程 x=tf.placeholder(tf.float32,shape=(None,2)) y_=tf.placeholder(tf.float32,shape=(None,1)) w1=tf.Variable(tf.random_normal([2,1],stddev=1,seed=1)) y=tf.matmul(x,w1) # 定義損失函數(shù)和反向傳播過(guò)程 loss=tf.reduce_sum(tf.where(tf.greater(y,y_),(y-y_)*COST,(y_-y)*PROFIT)) #損失函數(shù)要根據(jù)不同的模型進(jìn)行變換 train_step=tf.train.GradientDescentOptimizer(0.001).minimize(loss) # sess=tf.Session() # STEPS=20000 # init_op=tf.global_variables_initializer() # sess.run(init_op) # for i in range(STEPS): # start=(i*BATCH_SIZE)%32 # end=start+BATCH_SIZE # sess.run(train_step,feed_dict={x:X[start:end],y_:Y[start:end]}) # if i%500==0: # # print("After %d steps,w1 is %f",(i,sess.run(w1))) sess=tf.Session() init_op=tf.global_variables_initializer() sess.run(init_op) STEPS=20000 for i in range(STEPS): start=(i*BATCH_SIZE)%100 end=start+BATCH_SIZE sess.run(train_step,feed_dict={x:X[start:end],y_:Y_[start:end]}) if i%500==0: print("After %d steps"%(i)) # print(sess.run(loss_mse)) # print("Loss is:%f",sess.run(loss_mse,feed_dict={y_:Y_,y:Y_})) print("w1 is:",sess.run(w1)) print("Final is :",sess.run(w1)) xx,yy=np.mgrid[-3:3:.01,-3:3:.01] grid=np.c_[xx.ravel(),yy.ravel()] probs=sess.run(y,feed_dict={x:grid}) probs=probs.reshape(xx.shape) plt.scatter(X[:,0],X[:,1],c=np.squeeze(Y_)) plt.contour(xx,yy,probs,[.9]) plt.show()
通過(guò)改變COST和PROFIT的值近而可以得出,當(dāng)COST=1,PROFIT=9時(shí),基于損失函數(shù),模型的w1=1.02,w2=1.03說(shuō)明模型會(huì)往多了預(yù)測(cè);當(dāng)COST=9,PROFIT=1時(shí)模型的w1=0.96,w2=0.97說(shuō)明模型在往少了預(yù)測(cè)。
以上就是本文的全部?jī)?nèi)容,希望對(duì)大家的學(xué)習(xí)有所幫助,也希望大家多多支持億速云。
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng),如果涉及侵權(quán)請(qǐng)聯(lián)系站長(zhǎng)郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。