（第一章第六部分）TensorFlow框架之实现线性回归小案例

系列博客链接：

（一）TensorFlow框架介绍：https://www.cnblogs.com/kongweisi/p/11038395.html

（二）TensorFlow框架之图与TensorBoard：https://www.cnblogs.com/kongweisi/p/11038517.html

（三）TensorFlow框架之会话：https://www.cnblogs.com/kongweisi/p/11038550.html

（四）TensorFlow框架之张量：https://www.cnblogs.com/kongweisi/p/11039237.html

（五）TensorFlow框架之变量OP：https://www.cnblogs.com/kongweisi/p/11039254.html

本文概述：

• 应用op的name参数实现op的名字修改
• 应用variable_scope实现图程序作用域的添加
• 应用scalar或histogram实现张量值的跟踪显示
• 应用merge_all实现张量值的合并
• 应用add_summary实现张量值写入文件
• 应用tf.train.saver实现TensorFlow的模型保存以及加载
• 应用tf.app.flags实现命令行参数添加和使用
• 应用reduce_mean、square实现均方误差计算
• 应用tf.train.GradientDescentOptimizer实现有梯度下降优化器创建
• 应用minimize函数优化损失
• 知道梯度爆炸以及常见解决技巧

1、线性回归原理复习

根据数据建立回归模型，w1x1+w2x2+…..+b = y，通过真实值与预测值之间建立误差，使用梯度下降优化得到损失最小对应的权重和偏置。

最终确定模型的权重和偏置参数。最后可以用这些参数进行预测。

2、案例：实现线性回归的训练

2.1 案例确定

• 假设随机指定100个点，只有一个特征（这里的x，将其都放在100行1列的数组即张量中，便于与后面的w计算）
• 数据本身的分布为 y = 0.7 * x + 0.8

这里将数据分布的规律确定，是为了使我们训练出的参数跟真实的参数（即0.7和0.8）比较是否训练准确

2.2 API

运算

• 矩阵运算
  • tf.matmul(x, w)
• 平方
  • tf.square(error)
• 均值
  • tf.reduce_mean(error)

梯度下降优化

• tf.train.GradientDescentOptimizer(learning_rate)
  • 梯度下降优化
  • learning_rate:学习率，一般为0~1之间比较小的值
  • method:
    • minimize(loss)
  • return:梯度下降op

2.3 步骤分析

• 1、准备数据的特征值和目标值 inputs
• 2、根据特征值建立线性回归模型(确定参数个数形状) inference
  • 模型的参数必须使用变量OP创建（为了可训练）
• 3、根据模型得出预测结果，建立损失 loss
• 4、梯度下降优化器优化损失 sgd_op

2.4 实现完整功能def inputs(self):        

　　def inputs(self):

　　　　　"""

　　　　　获取特征值目标值数据数据
        :return:
        """
        x_data = tf.random_normal([100, 1], mean=1.0, stddev=1.0, name="x_data")
        y_true = tf.matmul(x_data, [[0.7]]) + 0.8

        return x_data, y_true

    def inference(self, feature):
        """
        根据输入数据建立模型
        :param feature:
        :param label:
        :return:
        """
        with tf.variable_scope("linea_model"):
            # 2、建立回归模型，分析别人的数据的特征数量--->权重数量， 偏置b
            # 由于有梯度下降算法优化，所以一开始给随机的参数，权重和偏置
            # 被优化的参数，必须得使用变量op去定义
            # 变量初始化权重和偏置
            # weight 2维[1, 1]，输入的x是[100, 1]的列向量    bias [1]-->这里的偏置直接初始化为0
　　　　　　　# x*w + b ----> y_predict
　　　　　　　# 变量op当中会有trainable参数决定是否训练
            self.weight = tf.Variable(tf.random_normal([1, 1], mean=0.0, stddev=1.0),
                                 name="weights")

            self.bias = tf.Variable(0.0, name='biases')

            # 建立回归公式去得出预测结果
            y_predict = tf.matmul(feature, self.weight) + self.bias

        return y_predict

    def loss(self, y_true, y_predict):
        """
        目标值和真实值计算损失
        :return: loss
        """
        # 3、求出我们模型跟真实数据之间的损失
        # 均方误差公式--->MSE
        loss = tf.reduce_mean(tf.square(y_true - y_predict))

        return loss

    def sgd_op(self, loss):
        """
        获取训练OP
        :return:
        """
        # 4、使用梯度下降优化器优化
        # 填充学习率：0 ~ 1    学习率是非常小，
        # 学习率大小决定你到达损失一个步数多少
        # 最小化损失---->返回的这个train_op，是可以训练的，之所以可以训练，是因为之前的变量都是tf.Variable()创建的
        train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

        return train_op

2.5 学习率的设置、步长的设置与梯度爆炸

学习率越大，训练到较好结果的步长越小；学习率越小，训练到较好结果的步长越大。

但是学习过大会出现梯度爆炸现象。关于梯度爆炸/梯度消失 ？

在极端情况下，权重的值变得非常大，以至于溢出，导致 NaN 值
如何解决梯度爆炸问题（深度神经网络当中更容易出现）
1、重新设计网络
2、调整学习率
3、使用梯度截断（在训练过程中检查和限制梯度的大小）
4、使用激活函数

2.6 变量的trainable设置观察

trainable的参数作用，指定是否训练

weight = tf.Variable(tf.random_normal([1, 1], mean=0.0, stddev=1.0), name="weights", trainable=False)

3、增加其他功能

• 增加命名空间
• 变量Tensorboard显示
• 模型保存与加载
• 命令行参数设置

3.1 增加命名空间

使得代码结构更加清晰，Tensorboard图结构清楚

with tf.variable_scope("lr_model"):

3.2 增加变量显示

目的：在TensorBoard当中观察模型的参数、损失值等变量值的变化

• 1、收集变量
  • tf.summary.scalar(name=’’,tensor) 收集对于损失函数和准确率等单值变量（标量），name为变量的名字，tensor为值
  • tf.summary.histogram(name=‘’,tensor) 收集高维度的变量参数（矢量）
  • tf.summary.image(name=‘’,tensor) 收集输入的图片张量能显示图片
• 2、合并变量写入事件文件
  • merged = tf.summary.merge_all()
  • 运行合并：summary = sess.run(merged)，每次迭代都需运行
  • 添加：FileWriter.add_summary(summary,  i),   i表示第几次的值

 def merge_summary(self, loss):

        # 1、收集张量的值
        tf.summary.scalar("losses", loss)

        tf.summary.histogram("w", self.weight)
        tf.summary.histogram('b', self.bias)

        # 2、合并变量
        merged = tf.summary.merge_all()

        return merged

# 生成事件文件，观察图结构
file_writer = tf.summary.FileWriter("./tmp/summary/", graph=sess.graph)

# 运行收集变量的结果
summary = sess.run(merged)

# 添加到文件
file_writer.add_summary(summary, i)

3.3 模型的保存与加载

• tf.train.Saver(var_list=None,max_to_keep=5)
  • 保存和加载模型（保存文件格式：checkpoint文件）
  • var_list:  指定将要保存和还原的变量。它可以作为一个dict或一个列表传递。
  • max_to_keep：指示要保留的最近检查点文件的最大数量。创建新文件时，会删除较旧的文件。如果无或0，则保留所有检查点文件。默认为5（即保留最新的5个检查点文件。）

使用

例如：
指定目录+模型名字
saver.save(sess, '/tmp/ckpt/test/myregression.ckpt')
saver.restore(sess, '/tmp/ckpt/test/myregression.ckpt')

如要判断模型是否存在，直接指定目录

checkpoint = tf.train.latest_checkpoint("./tmp/model/")

saver.restore(sess, checkpoint)

3.4 命令行参数使用

• 2、 tf.app.flags.,在flags有一个FLAGS标志，它在程序中可以调用到我们

前面具体定义的flag_name

• 3、通过tf.app.run()启动main(argv)函数

# 定义一些常用的命令行参数
# 训练步数
tf.app.flags.DEFINE_integer("max_step", 0, "训练模型的步数")
# 定义模型的路径
tf.app.flags.DEFINE_string("model_dir", " ", "模型保存的路径+模型名字")

# 定义获取命令行参数
FLAGS = tf.app.flags.FLAGS

# 开启训练
# 训练的步数（依据模型大小而定）
for i in range(FLAGS.max_step):
     sess.run(train_op)

完整代码

# 用tensorflow自实现一个线性回归案例

# 定义一些常用的命令行参数
# 训练步数
tf.app.flags.DEFINE_integer("max_step", 0, "训练模型的步数")
# 定义模型的路径
tf.app.flags.DEFINE_string("model_dir", " ", "模型保存的路径+模型名字")

FLAGS = tf.app.flags.FLAGS

class MyLinearRegression(object):
    """
    自实现线性回归
    """
    def __init__(self):
        pass

    def inputs(self):
        """
        获取特征值目标值数据数据
        :return:
        """
        x_data = tf.random_normal([100, 1], mean=1.0, stddev=1.0, name="x_data")
        y_true = tf.matmul(x_data, [[0.7]]) + 0.8

        return x_data, y_true

    def inference(self, feature):
        """
        根据输入数据建立模型
        :param feature:
        :param label:
        :return:
        """
        with tf.variable_scope("linea_model"):
            # 2、建立回归模型，分析别人的数据的特征数量--->权重数量， 偏置b
            # 由于有梯度下降算法优化，所以一开始给随机的参数，权重和偏置
            # 被优化的参数，必须得使用变量op去定义
            # 变量初始化权重和偏置
            # weight 2维[1, 1]    bias [1]
            # 变量op当中会有trainable参数决定是否训练
            self.weight = tf.Variable(tf.random_normal([1, 1], mean=0.0, stddev=1.0),
                                 name="weights")

            self.bias = tf.Variable(0.0, name='biases')

            # 建立回归公式去得出预测结果
            y_predict = tf.matmul(feature, self.weight) + self.bias

        return y_predict

    def loss(self, y_true, y_predict):
        """
        目标值和真实值计算损失
        :return: loss
        """
        # 3、求出我们模型跟真实数据之间的损失
        # 均方误差公式
        loss = tf.reduce_mean(tf.square(y_true - y_predict))

        return loss

    def merge_summary(self, loss):

        # 1、收集张量的值
        tf.summary.scalar("losses", loss)

        tf.summary.histogram("w", self.weight)
        tf.summary.histogram('b', self.bias)

        # 2、合并变量
        merged = tf.summary.merge_all()

        return merged

    def sgd_op(self, loss):
        """
        获取训练OP
        :return:
        """
        # 4、使用梯度下降优化器优化
        # 填充学习率：0 ~ 1    学习率是非常小，
        # 学习率大小决定你到达损失一个步数多少
        # 最小化损失
        train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

        return train_op

    def train(self):
        """
        训练模型
        :param loss:
        :return:
        """

        g = tf.get_default_graph()

        with g.as_default():

            x_data, y_true = self.inputs()

            y_predict = self.inference(x_data)

            loss = self.loss(y_true, y_predict)

            train_op = self.sgd_op(loss)

            # 收集观察的结果值
            merged = self.merge_summary(loss)

            saver = tf.train.Saver()

            with tf.Session() as sess:

                sess.run(tf.global_variables_initializer())

                # 在没训练，模型的参数值
                print("初始化的权重：%f, 偏置：%f" % (self.weight.eval(), self.bias.eval()))

                # 加载模型
                checkpoint = tf.train.latest_checkpoint("./tmp/model/")
                # print(checkpoint)
                if checkpoint:
                    print('Restoring', checkpoint)
                    saver.restore(sess, checkpoint)
                # 开启训练
                # 训练的步数（依据模型大小而定）
                for i in range(FLAGS.max_step):

                    sess.run(train_op)

                    # 生成事件文件，观察图结构
                    file_writer = tf.summary.FileWriter("./tmp/summary/", graph=sess.graph)

                    print("训练第%d步之后的损失:%f, 权重：%f, 偏置：%f" % (
                        i,
                        loss.eval(),
                        self.weight.eval(),
                        self.bias.eval()))

                    # 运行收集变量的结果
                    summary = sess.run(merged)

                    # 添加到文件
                    file_writer.add_summary(summary, i)

                    if i % 100 == 0:
                        # 保存的是会话当中的变量op值，其他op定义的值不保存
                        saver.save(sess, FLAGS.model_dir)

if __name__ == '__main__':
    lr = MyLinearRegression()
    lr.train()

注释更详细的版本：

# 导包
import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

# 定义model训练的步数 step
tf.app.flags.DEFINE_integer("max_step", 0, "训练模型的步数")
# 定义model的路径 load + 名字
tf.app.flags.DEFINE_string("model_dir", " ", "模型保存的路径+模型名字")

# 获取上述二者, 在运行的时候指定--->下面的参数要修改对应的FLAGS.max_step和FLAGS.model_dir
FLAGS = tf.app.flags.FLAGS

# 命令行指令, 一定要写模型名字。。。
# python xx.py --max_step=xx --load="xx+模型名字"

class MyLR:
    def __init__(self):
        # # 学习率
        self.learning_rate = 0.1
        # # 训练次数
        # self.MAX_STEP = 300

    def input(self):
        '''
        获取训练需要的数据
        :return: x_data, y_true
        '''
        x_data = tf.random_normal(shape=[100, 1], mean=0., stddev=1.)
        # 矩阵乘法
        y_true = tf.matmul(x_data, [[0.5]]) + 1.2

        return x_data, y_true

    def model(self, x_data):
        '''
        建模，假设是一个一元一次线性方程
        y = x*w + b
        :param x_data:
        :return: self.weight, self.bais
        '''
        # 增加命名空间：
        # 1.代码清晰
        # 2.实现共享变量
        with tf.variable_scope("lr_model"):

            # op变量，可训练，可保存
            self.weight = tf.Variable(
                initial_value=tf.random_normal(shape=[1, 1], mean=0., stddev=1.),
                trainable=True,
                name="weight"
            )
            self.bais = tf.Variable(
                initial_value=0.,
                trainable=True,
                name="bais"
            )

            # 建模
            y_predict = tf.matmul(x_data, self.weight) + self.bais

            # 这里只返回y_predict即可，前面的权重和偏置已经是实例变量
            return y_predict

    def loss(self, y_true, y_predict):
        '''
        损失函数
        :param y_true:
        :param y_predict:
        :return: loss
        '''
        with tf.variable_scope("losses"):
            loss = tf.reduce_mean(tf.square(y_true - y_predict))
            return loss

    def sgd_op(self, loss):
        '''
        SGD(批梯度下降优化)
        :param loss:
        :return: train_op
        '''
        train_op = tf.train.GradientDescentOptimizer(learning_rate=self.learning_rate).minimize(loss)
        return train_op

    def mergr_summary(self, loss):
        '''
        收集张量
        :param loss:
        :return:
        '''
        # 1.1收集对于损失函数和准确率等单值变量，标量
        tf.summary.scalar("losses", loss)

        # 1.2收集高维度张量值，矢量
        tf.summary.histogram("w", self.weight)
        tf.summary.histogram("b", self.bais)

        # 2.合并变量（OP）---> 再拿到会话中运行
        merged = tf.summary.merge_all()
        return merged

    def train(self):
        '''
        开启训练
        :return:
        '''
        # 1.获取数据
        x_data, y_true = self.input()

        # 2.将数据传入模型，并获取预测值
        y_predict = self.model(x_data)

        # 3.结合预测值和真实值，获取loss
        loss = self.loss(y_true, y_predict)

        # 4.降低损失，获取train_op
        train_op = self.sgd_op(loss)

        # 收集要观察的张量
        merged = self.mergr_summary(loss)

        # 定义一个保存文件的saverOP，默认保存所有变量
        # 可以指定要保存的参数，和保存最近的几个checkpoint文件
        saver = tf.train.Saver(var_list=None, max_to_keep=5)

        # 开启会话
        with tf.Session() as sess:
            # 显示初始化变量OP
            sess.run(tf.global_variables_initializer())

            # 创建events文件 默认图一定要写上
            # 开启tensorboard的命令：tensorboard --logdir="./tmp01/summary/"
            file_writer = tf.summary.FileWriter(logdir="./tmp01/summary/", graph=sess.graph)

            print("未训练的损失: %f, 参数w: %f, b: %f" % (loss.eval(), self.weight.eval(), self.bais.eval()))

            # 判断model是否存在
            checkpoint = tf.train.latest_checkpoint("./tmp01/model/")
            if checkpoint:
                # 在训练之前，加载model(之前训练的，如果有的话)，
                # 覆盖原来名字一样(原来的w和b)的OP
                saver.restore(sess, checkpoint)

                # 打印第一次加载的参数
                print("第一次加载保存的model的参数w: %f, b: %f" % (self.weight.eval(), self.bais.eval()))
                print("以当前model去训练")

            # 开启训练
            for i in range(FLAGS.max_step):
                # 这一步是关键哦
                # 每次迭代都需要运行收集的张量
                _, summary = sess.run(fetches = [train_op, merged])

                # 把summary，张量的值写入到events文件当中
                file_writer.add_summary(summary, i)

                print("训练第%f的损失: %d, 参数w: %f, b: %f" % (i, loss.eval(), self.weight.eval(), self.bais.eval()))

                # 每隔一百步保存一次model, 保存会话, 指定路径+名字
                if i % 100 == 0:
                    saver.save(sess, FLAGS.model_dir)

if __name__ == '__main__':
    lr = MyLR()
    lr.train()