简洁的线性回归实现

代码部分

import numpy as np
import tensorflow as tf
from d2l import tensorflow as d2l

生成数据集

true_w = tf.constant([2, -3.4])
true_b = 4.2
features, labels = d2l.synthetic_data(true_w, true_b, 1000)

读取数据集（调用框架中现有的API来读取数据）

def load_array(data_arrays, batch_size, is_train=True):  #@save
    """构造一个TensorFlow数据迭代器"""
    dataset = tf.data.Dataset.from_tensor_slices(data_arrays)
    if is_train:
        dataset = dataset.shuffle(buffer_size=1000)
    dataset = dataset.batch(batch_size)
    return dataset

batch_size = 10
data_iter = load_array((features, labels), batch_size)

这里我们使用iter构造Python迭代器，并使用next从迭代器中获取第一项。

next(iter(data_iter))

定义模型

# keras是TensorFlow的高级API
net = tf.keras.Sequential()
net.add(tf.keras.layers.Dense(1))

初始化模型参数

initializer = tf.initializers.RandomNormal(stddev=0.01)
net = tf.keras.Sequential()
net.add(tf.keras.layers.Dense(1, kernel_initializer=initializer))

定义损失函数

loss = tf.keras.losses.MeanSquaredError()

定义优化算法

trainer = tf.keras.optimizers.SGD(learning_rate=0.03)

训练

num_epochs = 3
for epoch in range(num_epochs):
    for X, y in data_iter:
        with tf.GradientTape() as tape:
            l = loss(net(X, training=True), y)
        grads = tape.gradient(l, net.trainable_variables)
        trainer.apply_gradients(zip(grads, net.trainable_variables))
    l = loss(net(features), labels)
    print(f'epoch {epoch + 1}, loss {l:f}')

效果评估

w = net.get_weights()[0]
print('w的估计误差：', true_w - tf.reshape(w, true_w.shape))
b = net.get_weights()[1]
print('b的估计误差：', true_b - b)

小结

• 我们可以使用TensorFlow的高级API更简洁地实现模型。
• 在TensorFlow中，data模块提供了数据处理工具，keras模块定义了大量神经网络层和常见损耗函数。
• TensorFlow的initializers模块提供了多种模型参数初始化方法。
• 维度和存储可以自动推断，但注意不要在初始化参数之前尝试访问参数。