欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

tensorflow应用系列2:使用tensorflow完成线性回归

程序员文章站 2022-07-06 21:54:28
...

本文介绍了使用tensorflow完成线性回归。

数据说明:
本文使用的训练集,X为随机的100个数字,Y为X的sin值,样本点均为自动生成。我们的目的是拟合一条直线Y = WX + b,使这条直线能够在此模型的基础上,给定一个新的x,预测它的y值。下图为我们的样本数据点。

tensorflow应用系列2:使用tensorflow完成线性回归

头文件导入

import numpy as np 
import tensorflow as tf 

生成训练数据

这里我们X生成[-3, 3]连续的100个点。Y = sin(X),他们是一一对应关系。同时为了保证Y更加离散,我们加入np.random.uniform(-0.5, 0.5, n_observations)。它的功能是,在[-0.5, 0.5]之间生成100个满足均匀分布的数。

n_observations = 100
xs = np.linspace(-3, 3, n_observations)
ys = np.sin(xs) + np.random.uniform(-0.5, 0.5, n_observations)  # 求sin,后面的是随机的扰动

准备placeholder占位符

这里,我们使用placeholder占位符,以保证模型的灵活性。

X = tf.placeholder(tf.float32, name = 'X')
Y = tf.placeholder(tf.float32, name = 'Y')

随机初始化参数权重

这里的W和b我们定义成变量,其中tf.random_normal([1])的功能是,总高斯分布中随机取出一个数值。因为初始的权重是随机的,我们正要训练它。

W = tf.Variable(tf.random_normal([1]), name = 'weight')
b = tf.Variable(tf.random_normal([1]), name = 'bias')

建立模型

建立模型 Y = WX + b

Y_pred = tf.add(tf.multiply(W, X), b)

建立损失函数模型

这里使用的是平方误差函数

loss = tf.square(Y - Y_pred, name = 'loss')

初始化optimizer

optimizer是经过优化算法,找到的最优点。这里,我们使用学习率为0.01(即每次迭代的步长),使用的最优解算法为随机梯度下降。

learning_rate = 0.01
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss)

训练模型

训练模型我们需要完成步:

  • 将我们的训练集传入模型中
  • 使用这些训练集,通过optimizer提供的最优化算法,将loss损失函数迭代最小

需要注意的是:

  • 在使用变量之前,需要进行初始化
  • 我们需要填充placeholder的值
    我们进行多次迭代,tensorflow会根据placeholder传值情况,找到需要训练的变量,这里每次训练后,都会得到一个新的W 和 b。经过各个算子的计算,我们取出W和b。
init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)       # 初始化所有变量
    writer = tf.summary.FileWriter('./graph', sess.graph)   # 写入tensorboard
    # 模型训练
    for i in range(50):
        total_loss = 0
        for x, y in zip(xs, ys):
            _optimizer, _loss = sess.run([optimizer, loss], {X: x, Y: y})
            total_loss += _loss
        if i % 5 == 0:
            print('Epoch {index}: {total_loss}'.format(index = i, total_loss = total_loss))
    writer.close()  # 关闭writer

    # 经过各个算子计算,可以取出训练好的W和b的值
    W, b = sess.run([W, b])

输出我们训练好的模型

print(W, b)
print('W:' + str(W[0]))
print('b:' + str(b[0]))

完整代码

(这里,因为在Linux服务器上跑,注释掉了部分绘图的函数)

#!usr/bin/python
# -*- coding: UTF-8 -*-
# 线性回归
import numpy as np 
import tensorflow as tf 
# import matplotlib.pyplot as plt
# plt.rcParams['figure.figsize'] = {14, 8}    # 输出图形的长和宽

n_observations = 100
xs = np.linspace(-3, 3, n_observations)
ys = np.sin(xs) + np.random.uniform(-0.5, 0.5, n_observations)  # 求sin,后面的是随机的扰动

# 做一个散点图的扰动
# plt.scatter(xs, ys)
# print(plt.show())

# 准备好placeholder占位符
X = tf.placeholder(tf.float32, name = 'X')
Y = tf.placeholder(tf.float32, name = 'Y')

# 随机初始化参数/权重(这里使用高斯分布)
W = tf.Variable(tf.random_normal([1]), name = 'weight')
b = tf.Variable(tf.random_normal([1]), name = 'bias')

# 建立模型 Y = WX + b
Y_pred = tf.add(tf.multiply(W, X), b)

# 建立损失函数模型 平方误差函数
loss = tf.square(Y - Y_pred, name = 'loss')

# 初始化optimizer
learning_rate = 0.01
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss)

# 指定迭代的次数,并在session中执行graph
init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)       # 初始化所有变量
    writer = tf.summary.FileWriter('./graph', sess.graph)   # 写入tensorboard
    # 模型训练
    for i in range(50):
        total_loss = 0
        for x, y in zip(xs, ys):
            _optimizer, _loss = sess.run([optimizer, loss], {X: x, Y: y})
            total_loss += _loss
        if i % 5 == 0:
            print('Epoch {index}: {total_loss}'.format(index = i, total_loss = total_loss))
    writer.close()  # 关闭writer

    # 经过各个算子计算,可以取出训练好的W和b的值
    W, b = sess.run([W, b])

# 输出W b
print(W, b)
print('W:' + str(W[0]))
print('b:' + str(b[0]))

# 画图
# plt.plot(xs, ys, 'bo', label = 'Real data')
# plt.plot(xs, xs * W + b, 'r', label = 'Predicted data')
# plt.legend()
# plt.show()

相关标签: python tensorflow