Tensorflow 擬合sinx、cosx以及square函數

導入需要的模塊

import numpy as np
from matplotlib import pyplot as plt
import tensorflow as tf

定義需要的參數類

class Config:
    def __init__(self):
        self.save_path = './model_sin/sin_cos'  # 訓練結果保存的路徑
        self.lr = 0.001  # 學習步長
        self.epoches = 1000  # 迭代的次數
        self.samples = 200  # 樣本的數量
        self.hidden_units = 200  # 隱藏層神經元的數量

定義樣本類

class Sample:
    def __init__(self,samples):
        self.xs = np.random.uniform(-np.pi, np.pi, samples)  # 使用Numpy隨機生成點
        self.xs = sorted(self.xs)  # 對生成的點進行排序（否則會亂）
        self.ys = np.sin(self.xs), np.cos(self.xs), np.square(self.xs)  # 定義需要擬合的三個函數 

定義張量類

class Tensors:
    def __init__(self,config):
        self.x = tf.placeholder(tf.float32,[None],'x')  # 定義輸入樣本點x的值
        self.y = tf.placeholder(tf.float32,[3,None],'y')  # 定義輸入樣本點y的值
        
        x = tf.reshape(self.x,[-1,1])  # 將所輸入的標量轉換爲向量
        x = tf.layers.dense(x, config.hidden_units, tf.nn.relu)  # 使用全連接進行函數
        self.y_predict = tf.layers.dense(x,3)  # 全連接獲取預測的y值
        
        y = tf.transpose(self.y)  # 對輸入的y值進行轉置，方便進行後續操作
        self.loss = tf.reduce_mean(tf.square(self.y_predict - y)) # 獲取損失函數的值
        self.lr = tf.placeholder(tf.float32, [], 'lr')  # 定義學習步長
        opt = tf.train.AdamOptimizer(config.lr)  # 梯度下降優化器，進行擬合
        self.train_op = opt.minimize(self.loss)  # 獲取dertx的值
        self.loss = tf.sqrt(self.loss) # 對獲取的損失值進行開平方操作，使誤差減少

定義應用類
應用類應該包含：

• 樣本的訓練方法
• 樣本的預測方法

class SinApp:
    def __init__(self,config):
        self.config = config
        self.ts = Tensors(config)
        self.session = tf.Session()
        self.saver = tf.train.Saver()
        try:
            self.saver.restore(self.session, config.save_path)
            print(f"restore model from {config.save_path} successfully")
        except:
            print(f"fail to restore the model from {config.save_path}")
            self.session.run(tf.global_variables_initializer())
    def train(self):  # 訓練方法
        samples = Sample(self.config.samples)
        cfg = self.config
        ts = self.ts
        for _ in range(cfg.epoches):
            self.session.run(ts.train_op,{ts.x:samples.xs, ts.y : samples.ys, ts.lr:cfg.lr})
        self.save()
        return samples.xs,samples.ys
    def predict(self):  # 預測方法
        samples = Sample(400)
        ys = self.session.run(self.ts.y_predict,{self.ts.x:samples.xs})
        return samples.xs, ys
    def save(self):
        self.saver.save(self.session, self.config.save_path)    
    def close(self):
        self.session.close()

定義主方法打印擬合的圖像

if __name__ == "__main__":
    app = SinApp(Config())
    xs_train, ys_train = app.train()
    xs_predict, ys_presict = app.predict()
    ys_train = np.transpose(ys_train)
    plt.plot(xs_train, ys_train)
    plt.plot(xs_predict, ys_presict)
    plt.legend(['sin', 'cos', 'square', 'predict_sin', 'predict_cos', 'predict_square'])
    plt.show()

運行結果爲

樣本的訓練結果