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]]。