机器学习与Tensorflow（1）——机器学习基本概念、tensorflow实现简单线性回归

一、机器学习基本概念

1.训练集和测试集

训练集(training set/data)/训练样例（training examples): 用来进行训练，也就是产生模型或者算法的数据集

测试集(testing set/data)/测试样例 (testing examples)：用来专门进行测试已经学习好的模型或者算法的数据集

2.特征向量

特征向量(features/feature vector)：属性的集合，通常用一个向量来表示，附属于一个实例

3.分类问题和回归问题

分类 (classification): 目标标记为类别型（离散型）数据(category)

回归(regression): 目标标记为连续性数值 (continuous numeric value)

4.机器学习分类

有监督学习(supervised learning)： 训练集有类别标记(class label)

无监督学习(unsupervised learning)： 无类别标记(class label)

半监督学习（semi-supervised learning)：有类别标记的训练集 + 无标记的训练集

二、简单线性回归

基本概念：

• 简单线性回归包含一个自变量(x)和一个因变量(y)
• 被用来进行预测的变量叫做： 自变量(independent variable), x, 输入(input)
• 被预测的变量叫做：因变量(dependent variable), y, 输出(output)
• 以上两个变量的关系用一条直线来模拟

三、Tensorflow基本概念

1.使用图(graphs)来表示计算任务
2.在被称之为会话（Session）的上下文（context）中执行图
3.使用tensor（张量）表示数据
4.通过变量（Variable）来维护状态
5.使用feed和fetch可以为任何的操作赋值或者从其中获取数据

总结

• Tensorflow是一个编程系统，使用图（graphs）来表示计算任务，
• 图（graphs）中的节点称之为op（operation）
• 一个op获得0个或者多个tensor（张量），执行计算，产生0个或者多个tensor。
• tensor看作是一个n维的数组或者列表。
• 图必须在会话（Session）里被启动。

#通过示意图来理解其中含义：

#通过程序来理解其中含义：

#这两句代码是防止警告（The TensorFlow library wasn't compiled to use AVX2 instructions, but these are available on your machine and could speed up CPU computations.）
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = ''
import tensorflow as tf
m1 = tf.constant([[3,3]])    #创建一个常量op
m2 = tf.constant([[2],[3]])   #创建一个常量op
product =tf.matmul(m1,m2)   #创建一个矩阵乘法op，并将m1和m2传入
sess = tf.Session()    #定义一个会话，启动默认图
result = sess.run(product)    #调用sess的run方法来执行矩阵乘法op，run（product）触发了图中的3个op
print(result)
sess.close   #关闭会话

#执行结果
[[15]]

#上述程序关于启动默认图有一个简单写法

sess = tf.Session()
result = sess.run(product)
print(result)
sess.close

等价表达方式：

with tf.Session() as sess:
    result = sess.run(product)
    print(result)

四、Tensorflow变量介绍

#变量介绍

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = ''
import tensorflow as tf
x = tf.Variable([1,2])     #创建一个变量op
a = tf.constant([3,3])      #创建一个常量op
sub_m = tf.subtract(x,a)     #创建一个减法op
add_m = tf.add(x,sub_m)     #创建一个加法op
init = tf.global_variables_initializer()    #变量初始化（要想使用变量，必须写这句代码）
with tf.Session() as sess:      #定义一个会话，启动默认图
    sess.run(init)             #触发变量op
    print(sess.run(sub_m))
    print(sess.run(add_m))

# 要想使用变量，必须进行变量初始化 

init = tf.global_variables_initializer()

#利用程序实现自增1

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = ''
import tensorflow as tf
state = tf.Variable(0,name='counter')     #创建一个变量op，并初始化为0
new_value = tf.add(state,1)        #创建一个op，作用是使state加1
update = tf.assign(state,new_value)    #赋值op
init = tf.global_variables_initializer()     #变量初始化
with tf.Session() as sess:
    sess.run(init)
    print(sess.run(state))
    for _ in range(5):
        sess.run(update)
        print(sess.run(state))

#执行结果
0
1
2
3
4
5

五、Tensorflow（fetch和feed）

fetch：在会话中可以运行多个op

#举例理解
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = ''
import tensorflow as tf
input1 = tf.constant(3.0)
input2 = tf.constant(2.0)
input3 = tf.constant(5.0)
add_m = tf.add(input2,input3)
mul = tf.multiply(input1,add_m)
with tf.Session() as sess:
    result = sess.run([mul,add_m])   #运行多个op
    print(result)
#执行结果
[21.0, 7.0]

feed：feed的数据以字典的形式传入

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = ''
import tensorflow as tf
input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.multiply(input1,input2)
with tf.Session() as sess:
    print(sess.run(output,feed_dict={input1:[8.],input2:[2.]}))    #feed：feed的数据以字典的形式传入

六、利用tensorflow 实现简单线性回归

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = ''
import tensorflow as tf
import numpy as np
#使用numpy生成100个随机点
x_data = np.random.rand(100)
y_data = x_data * 0.1 + 0.2
#构造一个线性模型
b = tf.Variable(0.0)
k = tf.Variable(0.0)
y = k * x_data + b
#二次代价函数
loss = tf.reduce_mean(tf.square(y_data-y))
#定义一个梯度下降算法来进行训练的优化器
optimizer = tf.train.GradientDescentOptimizer(0.2)
#最小化代价函数
train = optimizer.minimize(loss)
#初始化变量
init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    for step in range(201):
        sess.run(train)
        if step % 20 == 0:
            print(step,sess.run([k,b]))

#执行结果
0 [0.057367731, 0.1013036]
20 [0.10604427, 0.19655526]
40 [0.10355464, 0.19797418]
60 [0.10209047, 0.19880863]
80 [0.10122941, 0.19929935]
100 [0.10072301, 0.19958796]
120 [0.10042521, 0.19975767]
140 [0.10025007, 0.19985747]
160 [0.10014708, 0.19991617]
180 [0.10008651, 0.1999507]
200 [0.10005087, 0.19997101]

#训练200次后，k的值为0.10005087，接近0.1；b的值为0.19997101，接近0.2.