Tensorflow学习笔记：基础篇（1）——线性回归

Tensorflow学习笔记：基础篇（1）——线性回归

---

准备工作

— 正文开始之前，我先介绍一下我自己使用的Tensorflow环境，无论是Mac还是Windows，强烈推荐使用Anaconda，里面集成了大部分常用的程序包，不建议自己配 。
— 编译环境我选用PyCharm，官方有Community（免费版）和Professional（收费版）两种，各取所需~~
当然，检查几个必要的程序包是否安装：Pandas、Numpy、Matplotlib、tensorflow（仅限使用CPU版的TensorFlow）
简单说下，安装方法，
（1）Mac环境：终端内分别输入pip install pandas，numpy， matplotlib， tensorflow即可
（2）Windows10环境：建议打开Anaconda里有个Anaconda prompt，类似于终端，输入上行命令即可

---

重要概念

Graph & Session

（1）在上图Graph1一个个圆圈，称之为OP（算子），Graph的意义在于描绘整幅图（定义计算）
（2）在Session中执行Graph中的计算

计算定义 不等于 执行计算

---

计算流程

1、数据准备

2、准备好placeholder

3、初始化参数/权重

4、计算预测结果

5、计算损失值

6、初始化optimizer

7、指定迭代次数，并在session执行graph

---

代码示例

1、数据准备

这个数据是我们自己生成，在【-3，3】内生成100个点，使用正弦函数上加上了随机噪声

import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt

n_observations = 100
xs = np.linspace(-3, 3, n_observations)
ys = np.sin(xs) + np.random.uniform(-0.5, 0.5, n_observations)
plt.scatter(xs, ys)
plt.show()

2、准备好placeholder

placeholder存放用于训练的数据，通过字典形式传入placeholder（之后会用到）

X = tf.placeholder(tf.float32, name='X')
Y = tf.placeholder(tf.float32, name='Y')

3、初始化参数/权重

线性回归问题使用 y = wx + b进行拟合，此处构造两个变量 w 与 b，
tf.Variable 是一个类，初始化的对象可以有多个op，此处初始化为随机数

W = tf.Variable(tf.random_normal([1]), name='weight')
B = tf.Variable(tf.random_normal([1]), name='bias')

4、计算预测结果

y = wx + b

Y_pred = tf.add(tf.multiply(X, W), B)

5、计算损失值

loss = tf.square(Y - Y_pred, name='loss')

6、初始化optimizer

使用最常规的梯度下降函数，使得loss函数的值取到极小值

learning_rate = 0.01
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss)

以上过程，恭喜你已经完成了描绘整幅图，也就是定义了所有的计算，接下来，我们开始执行计算

7、指定迭代次数，并在session执行graph

init = tf.global_variables_initializer()
sess.run(init)
此处两句极其重要，需要先初始化变量，才能进行读取和写入（赋值）操作

执行计算——sess.run()

n_sample = xs.shape[0]
init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)

    for i in range(50):
        total_loss = 0
        for x, y in zip(xs, ys):
            __, l = sess.run([optimizer, loss], feed_dict={X: x, Y: y})
            total_loss += l
        if i % 5 == 0:
            print('Epoch{0}:{1}'.format(i, total_loss/n_sample))

    W, B = sess.run([W, B])

plt.scatter(xs, ys)
plt.plot(xs, xs*W + B)
plt.show()

运行结果

迭代计算50次，可以发现loss值并没有继续降低，因为线性拟合并不适用于正弦函数，此处举这个例子只是为了帮助大家搭建起Tensorflow的框架，下一期的多项式回归，将在这个框架上进行修改，产生不一样的效果

---

完整代码

import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt


#数据准备
n_observations = 100
xs = np.linspace(-3, 3, n_observations)
ys = np.sin(xs) + np.random.uniform(-0.5, 0.5, n_observations)
#plt.scatter(xs, ys)
#plt.show()


#准备好placeholder
X = tf.placeholder(tf.float32, name='X')
Y = tf.placeholder(tf.float32, name='Y')


#初始化参数/权重
W = tf.Variable(tf.random_normal([1]), name='weight')
B = tf.Variable(tf.random_normal([1]), name='bias')


#计算预测结果
Y_pred = tf.add(tf.multiply(X, W), B)

#计算损失值
loss = tf.square(Y - Y_pred, name='loss')

#初始化optimizer
learning_rate = 0.01
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss)


#指定迭代次数，并在session执行graph
n_sample = xs.shape[0]
init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)

    for i in range(50):
        total_loss = 0
        for x, y in zip(xs, ys):
            __, l = sess.run([optimizer, loss], feed_dict={X: x, Y: y})
            total_loss += l
        if i % 5 == 0:
            print('Epoch{0}:{1}'.format(i, total_loss/n_sample))

    W, B = sess.run([W, B])

plt.scatter(xs, ys)
plt.plot(xs, xs*W + B)
plt.show()