自学tensorflow——2.使用tensorflow计算线性回归模型

Posted rising-sun

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了自学tensorflow——2.使用tensorflow计算线性回归模型相关的知识,希望对你有一定的参考价值。

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]

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!

以上是关于自学tensorflow——2.使用tensorflow计算线性回归模型的主要内容,如果未能解决你的问题,请参考以下文章

81TensorFlow 2 模型部署方法实践--TensorFlow Serving 部署模型

TensorFlow实战-TensorFlow和其他深度学习框架的对比-第2章

模块“tensorflow”没有属性“GPUOptions”

TensorBoard的使用(结合线性模型)

关于tensorFlow的一些概念!

Tensorflow 会自动使用多个 CPU 吗?