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。
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()
上一篇: TensorFlow入门第一天
下一篇: tensorflow 线性回归
推荐阅读