tensorflow实现线性回归总结
1、知识点
"""
模拟一个y = 0.7x+0.8的案例 报警:
1、initialize_all_variables (from tensorflow.python.ops.variables) is deprecated and will be removed after 2017-03-02
解决方法:由于使用了tf.initialize_all_variables() 初始化变量,该方法已过时,使用tf.global_variables_initializer()就不会了 tensorboard查看数据:
1、收集变量信息
tf.summary.scalar()
tf.summary.histogram()
merge = tf.summary.merge_all()
2、创建事件机制
fileWriter = tf.summary.FileWriter(logdir='',graph=sess.graph)
3、在sess中运行并合并merge
summary = sess.run(merge)
4、在循环训练中将变量添加到事件中
fileWriter.add_summary(summary,i) #i为训练次数 保存并加载训练模型:
1、创建保存模型saver对象
saver = tf.train.Saver()
2、保存模型
saver.save(sess,'./ckpt/model')
3、利用保存的模型加载模型,变量初始值从保存模型读取
if os.path.exists('./ckpt/checkpoint'):
saver.restore(sess,'./ckpt/model') 创建变量域:
with tf.variable_scope("data"):
"""
2、代码
# coding = utf-8 import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '' def myLinear():
"""
自实现线性回归
:return:
"""
with tf.variable_scope("data"):
#1、准备数据
x = tf.random_normal((100,1),mean=0.5,stddev=1,name='x')
y_true = tf.matmul(x,[[0.7]])+0.8 #矩阵相乘至少为2维 with tf.variable_scope("model"):
#2、初始化权重和偏置
weight = tf.Variable(tf.random_normal((1,1)),name='w')
bias = tf.Variable(0.0,name='b')
y_predict = tf.matmul(x,weight)+bias with tf.variable_scope("loss"):
#3、计算损失值
loss = tf.reduce_mean(tf.square(y_true-y_predict)) with tf.variable_scope("train"):
#4、梯度下降优化loss
train_op = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(loss) #初始化变量
init_op = tf.global_variables_initializer() ############收集变量信息存到tensorboard查看###############
#收集变量
tf.summary.scalar('losses',loss)#1维
tf.summary.histogram('weight',weight) #高维
tf.summary.histogram('bias', bias) # 高维
merged = tf.summary.merge_all() #将变量合并
######################################################### #####################保存并加载模型###############
saver = tf.train.Saver()
#################################################
#5、循环训练
with tf.Session() as sess:
sess.run(init_op) #运行是初始化变量
if os.path.exists('./ckpt/checkpoint'):
saver.restore(sess,'./ckpt/model') #建立事件机制
fileWriter = tf.summary.FileWriter(logdir='./tmp',graph=sess.graph)
print("初始化权重为:%f,偏置为:%f" %(weight.eval(),bias.eval()))
for i in range(501):
summary = sess.run(merged) # 运行并合并
fileWriter.add_summary(summary,i)
sess.run(train_op)
if i%10==0 :
print("第%d次训练权重为:%f,偏置为:%f" % (i,weight.eval(), bias.eval()))
saver.save(sess,'./ckpt/model')
return None if __name__ == '__main__':
myLinear()
3、代码
import tensorflow as tf
import csv
import numpy as np
import matplotlib.pyplot as plt
# 设置学习率
learning_rate = 0.01
# 设置训练次数
train_steps = 1000
with open('D:/Machine Learning/Data_wrangling/鲍鱼数据集.csv') as file:
reader = csv.reader(file)
a, b = [], []
for item in reader:
b.append(item[8])
del(item[8])
a.append(item)
file.close()
x_data = np.array(a)
y_data = np.array(b)
for i in range(len(x_data)):
y_data[i] = float(y_data[i])
for j in range(len(x_data[i])):
x_data[i][j] = float(x_data[i][j])
# 定义各影响因子的权重
weights = tf.Variable(np.ones([8,1]),dtype = tf.float32)
x_data_ = tf.placeholder(tf.float32, [None, 8])
y_data_ = tf.placeholder(tf.float32, [None, 1])
bias = tf.Variable(1.0, dtype = tf.float32)#定义偏差值
# 构建模型为:y_model = w1X1 + w2X2 + w3X3 + w4X4 + w5X5 + w6X6 + w7X7 + w8X8 + bias
y_model = tf.add(tf.matmul(x_data_ , weights), bias)
# 定义损失函数
loss = tf.reduce_mean(tf.pow((y_model - y_data_), 2))
#训练目标为损失值最小,学习率为0.01
train_op = tf.train.GradientDescentOptimizer(0.01).minimize(loss)
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
print("Start training!")
lo = []
sample = np.arange(train_steps)
for i in range(train_steps):
for (x,y) in zip(x_data, y_data):
z1 = x.reshape(1,8)
z2 = y.reshape(1,1)
sess.run(train_op, feed_dict = {x_data_ : z1, y_data_ : z2})
l = sess.run(loss, feed_dict = {x_data_ : z1, y_data_ : z2})
lo.append(l)
print(weights.eval(sess))
print(bias.eval(sess))
# 绘制训练损失变化图
plt.plot(sample, lo, marker="*", linewidth=1, linestyle="--", color="red")
plt.title("The variation of the loss")
plt.xlabel("Sampling Point")
plt.ylabel("Loss")
plt.grid(True)
plt.show()
tensorflow实现线性回归总结的更多相关文章
- tensorflow实现线性回归、以及模型保存与加载
内容:包含tensorflow变量作用域.tensorboard收集.模型保存与加载.自定义命令行参数 1.知识点 """ 1.训练过程: 1.准备好特征和目标值 2.建 ...
- TensorFlow简单线性回归
TensorFlow简单线性回归 将针对波士顿房价数据集的房间数量(RM)采用简单线性回归,目标是预测在最后一列(MEDV)给出的房价. 波士顿房价数据集可从http://lib.stat.cmu.e ...
- 深度学习入门实战(二)-用TensorFlow训练线性回归
欢迎大家关注腾讯云技术社区-博客园官方主页,我们将持续在博客园为大家推荐技术精品文章哦~ 作者 :董超 上一篇文章我们介绍了 MxNet 的安装,但 MxNet 有个缺点,那就是文档不太全,用起来可能 ...
- 利用TensorFlow实现线性回归模型
准备数据: import numpy as np import tensorflow as tf import matplotlib.pylot as plt # 随机生成1000个点,围绕在y=0. ...
- 如何用TensorFlow实现线性回归
环境Anaconda 废话不多说,关键看代码 import tensorflow as tf import os os.environ['TF_CPP_MIN_LOG_LEVEL']='2' tf.a ...
- TensorFlow多元线性回归实现
多元线性回归的具体实现 导入需要的所有软件包: 因为各特征的数据范围不同,需要归一化特征数据.为此定义一个归一化函数.另外,这里添加一个额外的固定输入值将权重和偏置结合起来.为此定义函数 appe ...
- TensorFlow实现线性回归模型代码
模型构建 1.示例代码linear_regression_model.py #!/usr/bin/python # -*- coding: utf-8 -* import tensorflow as ...
- 学习TensorFlow,线性回归模型
学习TensorFlow,在MNIST数据集上建立softmax回归模型并测试 一.代码 <span style="font-size:18px;">from tens ...
- tensorflow 学习1——tensorflow 做线性回归
. 首先 Numpy: Numpy是Python的科学计算库,提供矩阵运算. 想想list已经提供了矩阵的形式,为啥要用Numpy,因为numpy提供了更多的函数. 使用numpy,首先要导入nump ...
随机推荐
- 最终章·MySQL从入门到高可用架构报错解决
1. 报错原因:MySQL的socket文件目录不存在. 解决方法:创建MySQL的socket文件目录 mkdir /application/mysql-5.6.38/tmp 2. 报错原因:soc ...
- hive--构建于hadoop之上、让你像写SQL一样编写MapReduce程序
hive介绍 什么是hive? hive:由Facebook开源用于解决海量结构化日志的数据统计 hive是基于hadoop的一个数据仓库工具,可以将结构化的数据映射为数据库的一张表,并提供类SQL查 ...
- uCos-II移值(二)
os_cpu_c.c文件 该文件主要是根据处理器平台特点完成任务堆栈初始化函数OSTaskStkInit以及其他几个用户Hook函数的编写,其中必须要实现的函数是OSTaskStkInit(在创建任务 ...
- 【转载】Role of RL in Text Generation by GAN
本篇随笔为转载,原贴作者:知乎 SCUT 胡杨,原贴地址:Role of RL in Text Generation by GAN(强化学习在生成对抗网络文本生成中扮演的角色).
- python+Appium自动化:输入中文问题
只要接触到app自动化,难免会遇到许多坑,今天说说解决中文输入的问题. 流程: 进入到淘宝应用,点击搜索栏,输入文字 一开始send_keys(“中文”)时,搜索栏一直没有出现文字,脚本也没有提示报错 ...
- MyBatis Generator 移除字段前缀
在table标签内添加 <columnRenamingRule searchString="wrc_" replaceString=""/> < ...
- Linux启动原理
Linux系统启动原理 #!此文章参考某godedu,用于复习查看 centos6系统 centos6系统启动过程 1. 加载 BIOS 的硬件信息,跟据设定取得第一个可开机引导设置,如:光驱,硬盘, ...
- 简单的使用Gson (序列化 和 反序化)
下载地址:http://mvnrepository.com/artifact/com.google.code.gson/gson/2.8.5 在项目导入jar包后 package com.web; i ...
- promethus监控gpu并编写自定义grafana可视化页面模板
###监控gpu url:https://github.com/NVIDIA/gpu-monitoring-tools/tree/master/exporters/prometheus-dcgm 实际 ...
- nginx负载均衡 页面缓存
nginx的upstream目前支持4种方式的分配 1.轮询(默认) 每个请求按时间顺序逐一分配到不同的后端服务器,如果后端服务器down掉,能自动剔除. 2.weight 指定轮询几率,weight ...