自学tensorflow——2.使用tensorflow计算线性回归模型
程序员文章站
2022-07-02 16:44:19
废话不多说,直接开始 1.首先,导入所需的模块: 关闭tensorflow输出的一大堆硬件信息 2.写一个函数generate_data(),用来生成我们所需要的数据,这里使用的线性函数是y = 0.1*x + 0.3,具体解释见注释 说一下上面8,9两行的操作,其实 与 等价,只是这样写比较方便。 ......
废话不多说,直接开始
1.首先,导入所需的模块:
import numpy as np import os import tensorflow as tf
关闭tensorflow输出的一大堆硬件信息
os.environ['tf_cpp_min_log_level'] = '2'
2.写一个函数generate_data(),用来生成我们所需要的数据,这里使用的线性函数是y = 0.1*x + 0.3,具体解释见注释
def generate_data():#随机生成测试数据 num_points = 1000 vector_set = [] for i in range(num_points): x1 = np.random.normal(0.0, 0.55) y1 = x1 * 0.1 + 0.3 + np.random.normal(0.0, 0.03)#以函数y = 0.1x+0.3为基准生成点数据,加上一个随机值是为了防止生成的点都严格在一条直线上 vector_set.append([x1, y1]) x_data = [v[0] for v in vector_set]#就是vector_set里面的所有x1组成的列表 y_data = [v[1] for v in vector_set]#同上 return x_data, y_data
说一下上面8,9两行的操作,其实
x_data = [v[0] for v in vector_set]
与
for i in vector_set: x_data.append(i[0])
等价,只是这样写比较方便。
3.接下来就是我们的计算图的构建了
首先介绍一些东西:
tf.random_uniform(shape, a, b)#用来生成a~b范围内的均匀分布的随机数,其中shape是生成的张量的形状 tf.square(a)#计算a的平方 tf.reduce_mean()#(不指定axis的情况下)就是计算平均值 tf.train.gradientdescentoptimizer(0.5)#tf.train里面有许多优化方法,这里使用gradientdescentoptimizer()参数是学习率,范围0~1
博主也只是略知一二,具体可以去查手册或百度
代码如下,也是有注释的(注意,下面的*,+,-都是张量运算)
def train(x_data, y_data): w = tf.variable(tf.random_uniform([1], -1.0, 1.0), name = 'w')#生成均匀分布的值,其中[1]可以换成(1, ),表示矩阵的形状 b = tf.variable(tf.zeros([1]), name = 'b')#b初始化为0 y = w * x_data + b#根据随机生成的w, x_data, b计算y loss = tf.reduce_mean(tf.square(y - y_data), name = 'loss')#tf.square()平方,tf.reduce_mean(不指定axis的情况下)就是计算平均值,所以loss就是标准差 optimizer = tf.train.gradientdescentoptimizer(0.5)#设置学习率为0.5 train = optimizer.minimize(loss, name = 'train')#使用优化器通过损失函数调整神经网络权值 with tf.session() as sess:#开启任务,为了方便,起了别名sess init = tf.global_variables_initializer()#同上 sess.run(init)#初始化全部变量 print('w = ', sess.run(w), 'b = ', sess.run(b), 'loss = ', sess.run(loss))#这是随机生成的,开始训练前的w,b和损失 for step in range(50):#一共训练50次 sess.run(train) print('w = ', sess.run(w), 'b = ', sess.run(b), 'loss = ', sess.run(loss))#这是每一次训练后的w,b和损失
最后只要调用这两个函数就行了
if __name__ == "__main__": x_data, y_data = generate_data() train(x_data, y_data)
对了,二次方程,甚至多次方程也可以哦
那么今天就到这里。
see you next time!
推荐阅读
-
Tensorflow使用支持向量机拟合线性回归
-
使用tensorflow实现线性回归
-
用tensorflow构建线性回归模型的示例代码
-
tensorflow应用系列2:使用tensorflow完成线性回归
-
自学tensorflow——2.使用tensorflow计算线性回归模型
-
tensorflow基本操作小白快速构建线性回归和分类模型
-
Tensorflow使用支持向量机拟合线性回归
-
使用tensorflow实现线性回归
-
【Tensorflow与深度学习笔记day07】5.2. ANN网络分析+Mnist手写数字识别+one-hot编码+SoftMax回归+损失计算-交叉熵损失+实现神经网络模型+模型正确率评估
-
自学tensorflow——2.使用tensorflow计算线性回归模型