通过对tensorflow基础知识学习之后,现在可以通过一个简单的例子来进行机器学习的实践了。这里以一个线性回归的例子来做。
线性回归实例
第一步:生成人工数据集
通过numpy包中的函数,我们可以随机生成想要的数据。
import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np
# 设置随机种子数
np.random.seed(5)
# 直接采用np生成等差数列,生成100个点,每个点的取值在-1~1之间
x_data = np.linspace(-1, 1, 100)
# y = 2x + 1 + 噪声, 其中,噪声的维度和x_data一致
# np.random.randn表示生成(-1,1)正态分布的数
# *x_data.shape拆分数字
y_data = 2*x_data + 1.0 + np.random.randn(*x_data.shape)*0.4
第二步:构建线性模型
x = tf.placeholder("float", name="x")
y = tf.placeholder("float", name="y")
# 定义模型
def model(x, w, b):
return tf.multiply(x, w) + b
# 构建线性函数的斜率,变量w
w = tf.Variable(1.0, name="w0")
# 构建线性函数的截距,变量b
b = tf.Variable(0.0, name="b0")
# pred是预测值,前向计算
pred = model(x, w, b)
# 设置迭代的次数(训练轮数)
train_epoch = 10
# 学习率
learning_rate = 0.05
第三步:定义损失函数
# 定义损失函数(均方差)
loss_function = tf.reduce_mean(tf.square(y-pred))
第四步:定义优化器、最小化损失函数
# 定义梯度下降优化器
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)
第五步:训练结果可视化
sess = tf.Session()
init = tf.global_variables_initializer()
sess.run(init)
for epoch in range(train_epoch):
for xs,ys in zip(x_data, y_data):
_, loss = sess.run([optimizer, loss_function], feed_dict={x: xs, y:ys})
b0temp = b.eval(session=sess)
w0temp = w.eval(session=sess)
plt.plot(x_data, w0temp*x_data+b0temp)
迭代训练结果图形:
从上图可以看出,由于问题比较简单,只需要训练3次就已经接近收敛了。
结果查看与结果可视化
print("w:", sess.run(w))
print("b:", sess.run(b))
plt.scatter(x_data, y_data, label='Original data')
plt.plot(x_data, x_data*sess.run(w)+sess.run(b), label='Fitted line', color='r', linewidth=3)
plt.legend(loc=2)
plt.show()
打印结果:
结果可视化:
第六步:进行预测
x_test = 3.21
predict = sess.run(pred, feed_dict={x: x_test})
print("预测的值为:", predict)
target = 2.0*x_test + 1.0
print("目标值为:", target)
输出结果:
小结:
附:完整代码
import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np
# 设置随机种子数
np.random.seed(5)
# 直接采用np生成等差数列,生成100个点,每个点的取值在-1~1之间
x_data = np.linspace(-1, 1, 100)
# y = 2x + 1 + 噪声, 其中,噪声的维度和x_data一致
y_data = 2*x_data + 1.0 + np.random.randn(*x_data.shape)*0.4
x = tf.placeholder("float", name="x")
y = tf.placeholder("float", name="y")
# 定义模型
def model(x, w, b):
return tf.multiply(x, w) + b
# 构建线性函数的斜率,变量w
w = tf.Variable(1.0, name="w0")
# 构建线性函数的截距,变量b
b = tf.Variable(0.0, name="b0")
# pred是预测值,前向计算
pred = model(x, w, b)
# 设置迭代的次数(训练轮数)
train_epoch = 10
# 学习率
learning_rate = 0.05
# 定义损失函数(均方差)
loss_function = tf.reduce_mean(tf.square(y-pred))
';ekarpo}J '
# 定义梯度下降优化器
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)
sess = tf.Session()
init = tf.global_variables_initializer()
sess.run(init)
for epoch in range(train_epoch):
for xs,ys in zip(x_data, y_data):
_, loss = sess.run([optimizer, loss_function], feed_dict={x: xs, y:ys})
b0temp = b.eval(session=sess)
w0temp = w.eval(session=sess)
print("w:", sess.run(w))
print("b:", sess.run(b))
plt.scatter(x_data, y_data, label='Original data')
plt.plot(x_data, x_data*sess.run(w)+sess.run(b), label='Fitted line', color='r', linewidth=3)
plt.legend(loc=2)
plt.show()
x_test = 3.21
predict = sess.run(pred, feed_dict={x: x_test})
print("预测的值为:", predict)
target = 2.0*x_test + 1.0
print("目标值为:", target)