快捷導(dǎo)航

用tensorflow構(gòu)建線性回歸模型的示例代碼

更新時(shí)間：2018年03月05日 09:10:20 作者：freedom098

本篇文章主要介紹了用tensorflow構(gòu)建線性回歸模型的示例代碼，小編覺得挺不錯(cuò)的，現(xiàn)在分享給大家，也給大家做個(gè)參考。一起跟隨小編過來看看吧

用tensorflow構(gòu)建簡(jiǎn)單的線性回歸模型是tensorflow的一個(gè)基礎(chǔ)樣例，但是原有的樣例存在一些問題，我在實(shí)際調(diào)試的過程中做了一點(diǎn)自己的改進(jìn)，并且有一些體會(huì)。

首先總結(jié)一下tf構(gòu)建模型的總體套路

1、先定義模型的整體圖結(jié)構(gòu)，未知的部分，比如輸入就用placeholder來代替。

2、再定義最后與目標(biāo)的誤差函數(shù)。

3、最后選擇優(yōu)化方法。

另外幾個(gè)值得注意的地方是：

1、tensorflow構(gòu)建模型第一步是先用代碼搭建圖模型，此時(shí)圖模型是靜止的，是不產(chǎn)生任何運(yùn)算結(jié)果的，必須使用Session來驅(qū)動(dòng)。

2、第二步根據(jù)問題的不同要求構(gòu)建不同的誤差函數(shù)，這個(gè)函數(shù)就是要求優(yōu)化的函數(shù)。

3、調(diào)用合適的優(yōu)化器優(yōu)化誤差函數(shù)，注意，此時(shí)反向傳播調(diào)整參數(shù)的過程隱藏在了圖模型當(dāng)中，并沒有顯式顯現(xiàn)出來。

4、tensorflow的中文意思是張量流動(dòng)，也就是說有兩個(gè)意思，一個(gè)是參與運(yùn)算的不僅僅是標(biāo)量或是矩陣，甚至可以是具有很高維度的張量，第二個(gè)意思是這些數(shù)據(jù)在圖模型中流動(dòng)，不停地更新。

5、session的run函數(shù)中，按照傳入的操作向上查找，凡是操作中涉及的無論是變量、常量都要參與運(yùn)算，占位符則要在run過程中以字典形式傳入。

以上時(shí)tensorflow的一點(diǎn)認(rèn)識(shí)，下面是關(guān)于梯度下降的一點(diǎn)新認(rèn)識(shí)。

1、梯度下降法分為批量梯度下降和隨機(jī)梯度下降法，第一種是所有數(shù)據(jù)都參與運(yùn)算后，計(jì)算誤差函數(shù)，根據(jù)此誤差函數(shù)來更新模型參數(shù)，實(shí)際調(diào)試發(fā)現(xiàn)，如果定義誤差函數(shù)為平方誤差函數(shù)，這個(gè)值很快就會(huì)飛掉，原因是，批量平方誤差都加起來可能會(huì)很大，如果此時(shí)學(xué)習(xí)率比較高，那么調(diào)整就會(huì)過，造成模型參數(shù)向一個(gè)方向大幅調(diào)整，造成最終結(jié)果發(fā)散。所以這個(gè)時(shí)候要降低學(xué)習(xí)率，讓參數(shù)變化不要太快。

2、隨機(jī)梯度下降法，每次用一個(gè)數(shù)據(jù)計(jì)算誤差函數(shù)，然后更新模型參數(shù)，這個(gè)方法有可能會(huì)造成結(jié)果出現(xiàn)震蕩，而且麻煩的是由于要一個(gè)個(gè)取出數(shù)據(jù)參與運(yùn)算，而不是像批量計(jì)算那樣采用了廣播或者向量化乘法的機(jī)制，收斂會(huì)慢一些。但是速度要比使用批量梯度下降要快，原因是不需要每次計(jì)算全部數(shù)據(jù)的梯度了。比較折中的辦法是mini-batch，也就是每次選用一小部分?jǐn)?shù)據(jù)做梯度下降，目前這也是最為常用的方法了。

3、epoch概念：所有樣本集過完一輪，就是一個(gè)epoch，很明顯，如果是嚴(yán)格的隨機(jī)梯度下降法，一個(gè)epoch內(nèi)更新了樣本個(gè)數(shù)這么多次參數(shù)，而批量法只更新了一次。

以上是我個(gè)人的一點(diǎn)認(rèn)識(shí)，希望大家看到有不對(duì)的地方及時(shí)批評(píng)指針，不勝感激！

#encoding=utf-8 
__author__ = 'freedom' 
import tensorflow as tf 
import numpy as np 
 
def createData(dataNum,w,b,sigma): 
 train_x = np.arange(dataNum) 
 train_y = w*train_x+b+np.random.randn()*sigma 
 #print train_x 
 #print train_y 
 return train_x,train_y 
 
def linerRegression(train_x,train_y,epoch=100000,rate = 0.000001): 
 train_x = np.array(train_x) 
 train_y = np.array(train_y) 
 n = train_x.shape[0] 
 x = tf.placeholder("float") 
 y = tf.placeholder("float") 
 w = tf.Variable(tf.random_normal([1])) # 生成隨機(jī)權(quán)重 
 b = tf.Variable(tf.random_normal([1])) 
 
 pred = tf.add(tf.mul(x,w),b) 
 loss = tf.reduce_sum(tf.pow(pred-y,2)) 
 optimizer = tf.train.GradientDescentOptimizer(rate).minimize(loss) 
 init = tf.initialize_all_variables() 
 
 sess = tf.Session() 
 sess.run(init) 
 print 'w start is ',sess.run(w) 
 print 'b start is ',sess.run(b) 
 for index in range(epoch): 
  #for tx,ty in zip(train_x,train_y): 
   #sess.run(optimizer,{x:tx,y:ty}) 
  sess.run(optimizer,{x:train_x,y:train_y}) 
  # print 'w is ',sess.run(w) 
  # print 'b is ',sess.run(b) 
  # print 'pred is ',sess.run(pred,{x:train_x}) 
  # print 'loss is ',sess.run(loss,{x:train_x,y:train_y}) 
  #print '------------------' 
 print 'loss is ',sess.run(loss,{x:train_x,y:train_y}) 
 w = sess.run(w) 
 b = sess.run(b) 
 return w,b 
 
def predictionTest(test_x,test_y,w,b): 
 W = tf.placeholder(tf.float32) 
 B = tf.placeholder(tf.float32) 
 X = tf.placeholder(tf.float32) 
 Y = tf.placeholder(tf.float32) 
 n = test_x.shape[0] 
 pred = tf.add(tf.mul(X,W),B) 
 loss = tf.reduce_mean(tf.pow(pred-Y,2)) 
 sess = tf.Session() 
 loss = sess.run(loss,{X:test_x,Y:test_y,W:w,B:b}) 
 return loss 
 
if __name__ == "__main__": 
 train_x,train_y = createData(50,2.0,7.0,1.0) 
 test_x,test_y = createData(20,2.0,7.0,1.0) 
 w,b = linerRegression(train_x,train_y) 
 print 'weights',w 
 print 'bias',b 
 loss = predictionTest(test_x,test_y,w,b) 
 print loss

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: