源式羽语 2020-02-19
Tensorflow一些常见操作:
代码:
# -*- coding: UTF-8 -*- """ 用梯度下降的优化方法来快速解决线性回归问题 """ import numpy as np import matplotlib.pyplot as plt import tensorflow as tf try: xrange = xrange # Python 2 except: xrange = range # Python 3 # 构建数据 points_num = 100 vectors = [] # 用 Numpy 的正态随机分布函数生成 100 个点 # 这些点的(x, y)坐标值对应线性方程 y = 0.1 * x + 0.2 # 权重(Weight)为 0.1,偏差(Bias)为 0.2 for i in xrange(points_num): x1 = np.random.normal(0.0, 0.66) y1 = 0.1 * x1 + 0.2 + np.random.normal(0.0, 0.04) vectors.append([x1, y1]) x_data = [v[0] for v in vectors] # 真实的点的 x 坐标 y_data = [v[1] for v in vectors] # 真实的点的 y 坐标 # 图像 1 :展示 100 个随机数据点 plt.plot(x_data, y_data, ‘r*‘, label="Original data") # 红色星形的点 plt.title("Linear Regression using Gradient Descent") plt.legend() plt.show() # 构建线性回归模型 W = tf.Variable(tf.random_uniform([1], -1.0, 1.0)) # 初始化 Weight b = tf.Variable(tf.zeros([1])) # 初始化 Bias y = W * x_data + b # 模型计算出来的 y # 定义 loss function(损失函数)或 cost function(代价函数) # 对 Tensor 的所有维度计算 ((y - y_data) ^ 2) 之和 / N loss = tf.reduce_mean(tf.square(y - y_data)) # 用梯度下降的优化器来最小化我们的 loss(损失) optimizer = tf.train.GradientDescentOptimizer(0.5) # 设置学习率为 0.5 train = optimizer.minimize(loss) # 创建会话 sess = tf.Session() # 初始化数据流图中的所有变量 init = tf.global_variables_initializer() sess.run(init) # 训练 20 步 for step in xrange(20): # 优化每一步 sess.run(train) # 打印出每一步的损失,权重和偏差 print("第 {} 步的 损失={}, 权重={}, 偏差={}".format(step+1, sess.run(loss), sess.run(W), sess.run(b))) # 图像 2 :绘制所有的点并且绘制出最佳拟合的直线 plt.plot(x_data, y_data, ‘r*‘, label="Original data") # 红色星形的点 plt.title("Linear Regression using Gradient Descent") # 标题,表示 "梯度下降解决线性回归" plt.plot(x_data, sess.run(W) * x_data + sess.run(b), label="Fitted line") # 拟合的线 plt.legend() plt.xlabel(‘x‘) plt.ylabel(‘y‘) plt.show() # 关闭会话 sess.close()
运行结果:
第 1 步的 损失=0.10736162215471268, 权重=[0.5780755], 偏差=[0.21398427] 第 2 步的 损失=0.03437836095690727, 权重=[0.36165723], 偏差=[0.20607387] 第 3 步的 损失=0.01180324051529169, 权重=[0.24128976], 偏差=[0.20176485] 第 4 步的 损失=0.004820318892598152, 权重=[0.17434561], 偏差=[0.19936827] 第 5 步的 损失=0.0026603667065501213, 权重=[0.13711363], 偏差=[0.19803537] 第 6 步的 损失=0.001992251491174102, 权重=[0.11640651], 偏差=[0.19729406] 第 7 步的 损失=0.0017855906626209617, 权重=[0.10488994], 偏差=[0.19688177] 第 8 步的 损失=0.0017216663109138608, 权重=[0.09848482], 偏差=[0.19665247] 第 9 步的 损失=0.0017018934013321996, 权重=[0.09492253], 偏差=[0.19652495] 第 10 步的 损失=0.001695777173154056, 权重=[0.0929413], 偏差=[0.19645402] 第 11 步的 损失=0.0016938853077590466, 权重=[0.09183941], 偏差=[0.19641456] 第 12 步的 损失=0.0016933002043515444, 权重=[0.09122658], 偏差=[0.19639263] 第 13 步的 损失=0.0016931190621107817, 权重=[0.09088574], 偏差=[0.19638042] 第 14 步的 损失=0.0016930631827563047, 权重=[0.09069619], 偏差=[0.19637364] 第 15 步的 损失=0.0016930458368733525, 权重=[0.09059076], 偏差=[0.19636987] 第 16 步的 损失=0.0016930404817685485, 权重=[0.09053212], 偏差=[0.19636777] 第 17 步的 损失=0.001693038735538721, 权重=[0.09049951], 偏差=[0.1963666] 第 18 步的 损失=0.0016930383862927556, 权重=[0.09048138], 偏差=[0.19636595] 第 19 步的 损失=0.0016930380370467901, 权重=[0.09047129], 偏差=[0.1963656] 第 20 步的 损失=0.0016930379206314683, 权重=[0.09046568], 偏差=[0.19636539]