tensorflow搭建簡單迴歸模型

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