TensorFlow 学习笔记(1)----线性回归(linear regression)的TensorFlow实现
此系列将会每日持续更新,欢迎关注
线性回归(linear regression)的TensorFlow实现
#这里是基于python 3.7版本的TensorFlow
TensorFlow是一个机器学习的利器,打包了众多的机器学习中的模型以及各种数学上的处理
因此利用TensorFlow来学习机器学习能起到事半功倍的效果。
以下代码即是线性回归的实现(实现对函数 y = 0.1 x + 0.3 的回归)代码内给出详细注释便于理解
import tensorflow as tf
import numpy as np
#生成原始数据 begin
x_data = np.random.rand(100).astype(np.float32) #利用rand(100)生成一个一行100列的矩阵,
y_data = x_data*0.1 + 0.3 #astype(np.float32)是由于TensorFlow处理的数据类型通常为此类型
#生成原始数据 end
### 构建tensorflow的结构 start ###
Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0)) #权重,即为 y = ax + b 中的 a
biases = tf.Variable(tf.zeros([1])) #偏置值,即为 y = ax + b 中的 b
y = Weights*x_data + biases
loss = tf.reduce_mean(tf.square(y-y_data)) #reduce_mean意为取y-y_data的平方的均值
optimizer = tf.train.GradientDescentOptimizer(0.5) #这里采用最简单的梯度下降法来实现回归,梯度下降法将会在以后的博客中利用octave梳理内部细节的实现
#简单来讲,梯度下降就是:1.求导 2.向导数为零的点靠拢。
#这里的0.5表示学习率,通俗来说就是向导数为零的点靠拢的速度。
train = optimizer.minimize(loss) #使得误差最小
### create tensorflow structure end ###
sess = tf.Session()
init = tf.global_variables_initializer() #将tf.global_variables_initializer(),即全局变量初始化写为init,这样后面就可以通过sess.run(init)来进行初始化
sess.run(init) #这一步才真正意义上初始化!
for step in range(201):
sess.run(train) #训练一次
if step % 10 == 0:
print(step, sess.run(Weights), sess.run(biases))#每10次输出一下结果,进行观察
这里是我的输出结果(因rand不同程序运行多次的结果可能各不相同)
================ RESTART: D:/TensorFlow/linear regression.py ================
0 [0.36862874] [0.21253814]
20 [0.17672797] [0.25930387]
40 [0.12394582] [0.28729928]
60 [0.10747318] [0.29603627]
80 [0.10233228] [0.29876298]
100 [0.10072788] [0.29961395]
120 [0.10022715] [0.29987952]
140 [0.10007092] [0.2999624]
160 [0.10002212] [0.29998827]
180 [0.10000691] [0.29999635]
200 [0.10000216] [0.29999888]
几点要点补充:
1. TensorFlow中的一些语法会有一些反直觉:当你要声明一个变量时,必须用tf.Variable来声明这个变量,
而你想要输出某个数据时,例如Weights,必须采用print(sess.run(Weights))才可将其输出
2. Session 是 Tensorflow 为了控制,和输出文件的执行的语句. 运行 session.run() 可以获得你要得知的运算结果, 或者是你所要运算的部分.
例如:
import tensorflow as tf
# create two matrixes matrix1 = tf.constant([[3,3]])
matrix2 = tf.constant([[2],
[2]])
product = tf.matmul(matrix1,matrix2)
sess = tf.Session() result = sess.run(product) print(result) sess.close()
输出结果为[[12]]。
TensorFlow 学习笔记(1)----线性回归(linear regression)的TensorFlow实现的更多相关文章
- 深度学习 Deep Learning UFLDL 最新 Tutorial 学习笔记 1:Linear Regression
1 前言 Andrew Ng的UFLDL在2014年9月底更新了. 对于開始研究Deep Learning的童鞋们来说这真的是极大的好消息! 新的Tutorial相比旧的Tutorial添加了Conv ...
- 斯坦福CS229机器学习课程笔记 Part1:线性回归 Linear Regression
机器学习三要素 机器学习的三要素为:模型.策略.算法. 模型:就是所要学习的条件概率分布或决策函数.线性回归模型 策略:按照什么样的准则学习或选择最优的模型.最小化均方误差,即所谓的 least-sq ...
- 机器学习 (一) 单变量线性回归 Linear Regression with One Variable
文章内容均来自斯坦福大学的Andrew Ng教授讲解的Machine Learning课程,本文是针对该课程的个人学习笔记,如有疏漏,请以原课程所讲述内容为准.感谢博主Rachel Zhang的个人笔 ...
- 机器学习 (二) 多变量线性回归 Linear Regression with Multiple Variables
文章内容均来自斯坦福大学的Andrew Ng教授讲解的Machine Learning课程,本文是针对该课程的个人学习笔记,如有疏漏,请以原课程所讲述内容为准.感谢博主Rachel Zhang 的个人 ...
- ML 线性回归Linear Regression
线性回归 Linear Regression MOOC机器学习课程学习笔记 1 单变量线性回归Linear Regression with One Variable 1.1 模型表达Model Rep ...
- tensorflow学习笔记——自编码器及多层感知器
1,自编码器简介 传统机器学习任务很大程度上依赖于好的特征工程,比如对数值型,日期时间型,种类型等特征的提取.特征工程往往是非常耗时耗力的,在图像,语音和视频中提取到有效的特征就更难了,工程师必须在这 ...
- tensorflow学习笔记——使用TensorFlow操作MNIST数据(1)
续集请点击我:tensorflow学习笔记——使用TensorFlow操作MNIST数据(2) 本节开始学习使用tensorflow教程,当然从最简单的MNIST开始.这怎么说呢,就好比编程入门有He ...
- Tensorflow学习笔记2019.01.22
tensorflow学习笔记2 edit by Strangewx 2019.01.04 4.1 机器学习基础 4.1.1 一般结构: 初始化模型参数:通常随机赋值,简单模型赋值0 训练数据:一般打乱 ...
- Ng第二课:单变量线性回归(Linear Regression with One Variable)
二.单变量线性回归(Linear Regression with One Variable) 2.1 模型表示 2.2 代价函数 2.3 代价函数的直观理解 2.4 梯度下降 2.5 梯度下 ...
随机推荐
- BNU 13064 Dice (I) 前缀和优化DP
Dice (I) You have N dices; each of them has K faces numbered from 1 to K. Now you have arranged th ...
- oc70--NSArray1
// // main.m // NSArray是不可变的,一旦初始化完毕,就不能添加和删除了.类似于NSString和NSMutilString. #import <Foundation/Fou ...
- codeforce 1073E. Segment Sum
看到这个就是数位DP了,然而细节极多,对于i=1状态直接判了,还有最后一位直接算了 设f[i][zt][0/1]表示枚举到第i位,用了那些数字,是否有前导0(前导0不计入数字,否则就不知道后面有没有0 ...
- android apk 防止反编译技术第三篇-加密
上一篇我们讲了apk防止反编译技术中的加壳技术,如果有不明白的可以查看我的上一篇博客http://my.oschina.net/u/2323218/blog/393372.接下来我们将介绍另一种防止a ...
- Java 集合列表排序
主要是实现Comparator接口 数组排序: //按最后更新时间降序排列,时间相同的按照文件名生序排列 Arrays.sort(files, new Comparator<File>() ...
- 对腾讯云服务器linux系统进行分区格式化操作
- 直接使用FileSystem以标准输出格式显示hadoop文件系统中的文件
package com.yoyosys.cebbank.bdap.service.mr; import java.io.IOException; import java.io.InputStream; ...
- ubuntu下如何查看和设置分辨率 (转载)
转自:http://blog.csdn.net/jcgu/article/details/8650423 在ubuntu下可以使用xrandr来设置自己需要的分辨率.大致步骤如下: 1.使用xrand ...
- P2871 [USACO07DEC]手链Charm Bracelet
题目描述 Bessie has gone to the mall's jewelry store and spies a charm bracelet. Of course, she'd like t ...
- 国内外知名IT科技博客
国内 1.36氪(www.36kr.com): 目前国内做的最风生水起的科技博客,以介绍国内外互联网创业新闻为主的博客网站,自己建立有36Tree互联网创业融投资社区.36氪的名字源于元素周期 表的第 ...