Tensorflow2.笔记 - 单层感知机(单输出,多输出)Single Layer Perceptron

本笔记主要记录单层感知机的相关内容,包括单层单输出,和单层多输出。

复制代码
import tensorflow as tf
import numpy as np

tf.__version__


#单层单输出感知机,逻辑回归很类似,主要区别就是激活函数和损失函数不同
#单层感知机的激活函数通常使用sign函数
#逻辑回归的激活函数通常使用sigmoid
#参考资料:https://blog.csdn.net/weixin_60737527/article/details/125455264
#下面的例子为简单的逻辑回归的示例
#x表示1个样本,样本数据维度是3
x = tf.random.normal([1,3])
#权值w默认设置为1,偏置b默认为1
w = tf.ones([3,1])
b = tf.ones([1])
#y表示真实标签
y = tf.constant([1])

with tf.GradientTape() as tape:
    tape.watch([w,b])
    logits = tf.sigmoid(x@w+b)
    loss = tf.reduce_mean(tf.losses.MSE(y, logits))

#求解梯度
grads = tape.gradient(loss, [w, b])
print("Gradients of w:\n", grads[0].numpy())
print("Gradients of b:\n", grads[1].numpy())

#单层多输出感知机
#x表示2个样本,样本数据维度是4
x = tf.random.normal([2,4])
w = tf.random.normal([4,3])
b = tf.zeros([3])
#y表示真实的标签值
y = tf.constant([2,0])

with tf.GradientTape() as tape:
    tape.watch([w,b])
    prob = tf.nn.softmax(x@w+b, axis=1)
    loss = tf.reduce_mean(tf.losses.MSE(tf.one_hot(y, depth=3), prob))

#求解梯度
grads = tape.gradient(loss, [w,b])
print("Gradients of w:\n", grads[0].numpy())
print("Gradients of b:\n", grads[1].numpy())

运行结果:

相关推荐
若兰幽竹7 分钟前
【从零开始编写数据库:基于Python语言实现数据库ToyDB的ACID特性】
数据库·python
东方佑9 分钟前
仅27M参数!SamOutVX轻量级语言模型刷新认知,小身材也有大智慧
人工智能·语言模型·自然语言处理
东临碣石8210 分钟前
【AI论文】OmniPart:基于语义解耦与结构连贯性的部件感知三维生成
人工智能
xiaocainiao88115 分钟前
Python 实战:构建 Git 自动化助手
git·python·自动化
啾啾Fun27 分钟前
咨询导览,AI发展趋势
人工智能
向阳逐梦28 分钟前
PID控制算法理论学习基础——单级PID控制
人工智能·算法
nightunderblackcat30 分钟前
新手向:使用Python将多种图像格式统一转换为JPG
开发语言·python
2zcode31 分钟前
基于Matlab多特征融合的可视化指纹识别系统
人工智能·算法·matlab
Liudef0632 分钟前
三维点云Transformer局部感受野构建:理论、方法与挑战
人工智能·深度学习·transformer
说私域35 分钟前
基于定制开发开源AI智能名片与S2B2C商城小程序的旅游日志创新应用研究
人工智能·小程序·旅游