溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
用tensorflow構建簡單的線性回歸模型是tensorflow的一個基礎樣例，但是原有的樣例存在一些問題，我在實際調試的過程中做了一點自己的改進，并且有一些體會。
首先總結一下tf構建模型的總體套路
1、先定義模型的整體圖結構，未知的部分，比如輸入就用placeholder來代替。
2、再定義最后與目標的誤差函數。
3、最后選擇優化方法。
另外幾個值得注意的地方是：
1、tensorflow構建模型第一步是先用代碼搭建圖模型，此時圖模型是靜止的，是不產生任何運算結果的，必須使用Session來驅動。
2、第二步根據問題的不同要求構建不同的誤差函數，這個函數就是要求優化的函數。
3、調用合適的優化器優化誤差函數，注意，此時反向傳播調整參數的過程隱藏在了圖模型當中，并沒有顯式顯現出來。
4、tensorflow的中文意思是張量流動，也就是說有兩個意思，一個是參與運算的不僅僅是標量或是矩陣，甚至可以是具有很高維度的張量，第二個意思是這些數據在圖模型中流動，不停地更新。
5、session的run函數中，按照傳入的操作向上查找，凡是操作中涉及的無論是變量、常量都要參與運算，占位符則要在run過程中以字典形式傳入。
以上時tensorflow的一點認識，下面是關于梯度下降的一點新認識。
1、梯度下降法分為批量梯度下降和隨機梯度下降法，第一種是所有數據都參與運算后，計算誤差函數，根據此誤差函數來更新模型參數，實際調試發現，如果定義誤差函數為平方誤差函數，這個值很快就會飛掉，原因是，批量平方誤差都加起來可能會很大，如果此時學習率比較高，那么調整就會過，造成模型參數向一個方向大幅調整，造成最終結果發散。所以這個時候要降低學習率，讓參數變化不要太快。
2、隨機梯度下降法，每次用一個數據計算誤差函數，然后更新模型參數，這個方法有可能會造成結果出現震蕩，而且麻煩的是由于要一個個取出數據參與運算，而不是像批量計算那樣采用了廣播或者向量化乘法的機制，收斂會慢一些。但是速度要比使用批量梯度下降要快，原因是不需要每次計算全部數據的梯度了。比較折中的辦法是mini-batch，也就是每次選用一小部分數據做梯度下降，目前這也是最為常用的方法了。
3、epoch概念：所有樣本集過完一輪，就是一個epoch，很明顯，如果是嚴格的隨機梯度下降法，一個epoch內更新了樣本個數這么多次參數，而批量法只更新了一次。
以上是我個人的一點認識，希望大家看到有不對的地方及時批評指針，不勝感激！
#encoding=utf-8
__author__ = 'freedom'
import tensorflow as tf
import numpy as np
def createData(dataNum,w,b,sigma):
train_x = np.arange(dataNum)
train_y = w*train_x+b+np.random.randn()*sigma
#print train_x
#print train_y
return train_x,train_y
def linerRegression(train_x,train_y,epoch=100000,rate = 0.000001):
train_x = np.array(train_x)
train_y = np.array(train_y)
n = train_x.shape[0]
x = tf.placeholder("float")
y = tf.placeholder("float")
w = tf.Variable(tf.random_normal([1])) # 生成隨機權重
b = tf.Variable(tf.random_normal([1]))
pred = tf.add(tf.mul(x,w),b)
loss = tf.reduce_sum(tf.pow(pred-y,2))
optimizer = tf.train.GradientDescentOptimizer(rate).minimize(loss)
init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)
print 'w start is ',sess.run(w)
print 'b start is ',sess.run(b)
for index in range(epoch):
#for tx,ty in zip(train_x,train_y):
#sess.run(optimizer,{x:tx,y:ty})
sess.run(optimizer,{x:train_x,y:train_y})
# print 'w is ',sess.run(w)
# print 'b is ',sess.run(b)
# print 'pred is ',sess.run(pred,{x:train_x})
# print 'loss is ',sess.run(loss,{x:train_x,y:train_y})
#print '------------------'
print 'loss is ',sess.run(loss,{x:train_x,y:train_y})
w = sess.run(w)
b = sess.run(b)
return w,b
def predictionTest(test_x,test_y,w,b):
W = tf.placeholder(tf.float32)
B = tf.placeholder(tf.float32)
X = tf.placeholder(tf.float32)
Y = tf.placeholder(tf.float32)
n = test_x.shape[0]
pred = tf.add(tf.mul(X,W),B)
loss = tf.reduce_mean(tf.pow(pred-Y,2))
sess = tf.Session()
loss = sess.run(loss,{X:test_x,Y:test_y,W:w,B:b})
return loss
if __name__ == "__main__":
train_x,train_y = createData(50,2.0,7.0,1.0)
test_x,test_y = createData(20,2.0,7.0,1.0)
w,b = linerRegression(train_x,train_y)
print 'weights',w
print 'bias',b
loss = predictionTest(test_x,test_y,w,b)
print loss
以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持億速云。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
