前言
這是使用tensorflow 搭建一個簡單的迴歸模型,用於熟悉tensorflow的基本操作和使用方法。
模型說明
這是一個簡單的線性迴歸模型
損失函數是均方誤差
這個有機器學習基礎的同學應該很熟悉了。
模型數據
造的假的
# 訓練數據
train_X = np.asarray([3.3, 4.4, 5.5, 6.71, 6.93, 4.168, 9.779, 6.182, 7.59, 2.167,
7.042, 10.791, 5.313, 7.997, 5.654, 9.27, 3.1])
train_Y = np.asarray([1.7, 2.76, 2.09, 3.19, 1.694, 1.573, 3.366, 2.596, 2.53, 1.221,
2.827, 3.465, 1.65, 2.904, 2.42, 2.94, 1.3])
n=train_X.shape[0]
模型構建
根據之前說的tensorflow構建模型思路。
1、構造圖節點
2、創建會話
構造圖的節點
#定義兩個變量的op佔位符
X=tf.placeholder("float")
Y=tf.placeholder("float")
初始化權重w和偏置b
#初始化w,b
W=tf.Variable(random.random(),name="weight")
b=tf.Variable(random.random(),name="bias")
根據線性模型公式
y=wx+b
構造運算op
#初始化模型 pred op
pred=tf.add(tf.multiply(X,W),b)
根據損失函數做出COST op
#初始化cost op
cost=tf.reduce_sum(tf.pow(pred-Y,2))/(2*n)
初始化模型參數
#初始化模型參數
learning_rate=0.01
training_epochs=1000
display_step=50
構建梯度下降的op
#構建梯度下降op
optimizer=tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)
訓練模型要初始化所有的op(這個op在會話一開始就運行,只是初始化而已)
#初始化所有變量 op
init=tf.global_variables_initializer()
我們構造的計算圖爲
好了我們的圖構造好了。可以創建會話進行運算了。會話可以自動幫我們找依賴關係,所以我們不用一個一個進行計算了。
創建會話
我們明確一下會話執行步驟
1、執行一次init op
2 、執行GD
結束了。。因爲會自動幫我們找到依賴,所以我們只需要執行最後一個op即可。
#使用session 啓動默認圖
with tf.Session() as sess:
sess.run(init) #初始化
for epoch in range(training_epochs):
for (x,y) in zip(train_X,train_Y):
sess.run(optimizer,feed_dict={X:train_X,Y:train_Y})
#上面就已經結束了。計算一下cost 、w、b的值
print ("optimization Finished")
training_cost = sess.run(cost,feed_dict={X:train_X,Y:train_Y})
print ("Training cost=",training_cost,"W=",sess.run(W),"b=",sess.run(b),"\n")
#畫圖
plt.plot(train_X,train_Y,'ro',label="Original data")
plt.plot(train_X,sess.run(W)*train_X+sess.run(b),label="Fitted line")
plt.legend()
plt.show()
是不是so easy