tensorflow应用系列2：使用tensorflow完成线性回归

本文介绍了使用tensorflow完成线性回归。

数据说明：
本文使用的训练集，X为随机的100个数字，Y为X的sin值，样本点均为自动生成。我们的目的是拟合一条直线Y = WX + b，使这条直线能够在此模型的基础上，给定一个新的x，预测它的y值。下图为我们的样本数据点。

头文件导入

import numpy as np 
import tensorflow as tf 

生成训练数据

这里我们X生成[-3， 3]连续的100个点。Y = sin(X)，他们是一一对应关系。同时为了保证Y更加离散，我们加入np.random.uniform(-0.5, 0.5, n_observations)。它的功能是，在[-0.5， 0.5]之间生成100个满足均匀分布的数。

n_observations = 100
xs = np.linspace(-3, 3, n_observations)
ys = np.sin(xs) + np.random.uniform(-0.5, 0.5, n_observations)  # 求sin，后面的是随机的扰动

准备placeholder占位符

这里，我们使用placeholder占位符，以保证模型的灵活性。

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

随机初始化参数权重

这里的W和b我们定义成变量，其中tf.random_normal([1])的功能是，总高斯分布中随机取出一个数值。因为初始的权重是随机的，我们正要训练它。

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

建立模型

建立模型 Y = WX + b

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

建立损失函数模型

这里使用的是平方误差函数

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

初始化optimizer

optimizer是经过优化算法，找到的最优点。这里，我们使用学习率为0.01（即每次迭代的步长），使用的最优解算法为随机梯度下降。

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

训练模型

训练模型我们需要完成步：

• 将我们的训练集传入模型中
• 使用这些训练集，通过optimizer提供的最优化算法，将loss损失函数迭代最小

需要注意的是：

• 在使用变量之前，需要进行初始化
• 我们需要填充placeholder的值
  我们进行多次迭代，tensorflow会根据placeholder传值情况，找到需要训练的变量，这里每次训练后，都会得到一个新的W 和 b。经过各个算子的计算，我们取出W和b。

init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)       # 初始化所有变量
    writer = tf.summary.FileWriter('./graph', sess.graph)   # 写入tensorboard
    # 模型训练
    for i in range(50):
        total_loss = 0
        for x, y in zip(xs, ys):
            _optimizer, _loss = sess.run([optimizer, loss], {X: x, Y: y})
            total_loss += _loss
        if i % 5 == 0:
            print('Epoch {index}: {total_loss}'.format(index = i, total_loss = total_loss))
    writer.close()  # 关闭writer

    # 经过各个算子计算，可以取出训练好的W和b的值
    W, b = sess.run([W, b])

输出我们训练好的模型

print(W, b)
print('W:' + str(W[0]))
print('b:' + str(b[0]))

完整代码

（这里，因为在Linux服务器上跑，注释掉了部分绘图的函数）

#!usr/bin/python
# -*- coding: UTF-8 -*-
# 线性回归
import numpy as np 
import tensorflow as tf 
# import matplotlib.pyplot as plt
# plt.rcParams['figure.figsize'] = {14, 8}    # 输出图形的长和宽

n_observations = 100
xs = np.linspace(-3, 3, n_observations)
ys = np.sin(xs) + np.random.uniform(-0.5, 0.5, n_observations)  # 求sin，后面的是随机的扰动

# 做一个散点图的扰动
# plt.scatter(xs, ys)
# print(plt.show())

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

# 随机初始化参数/权重（这里使用高斯分布）
W = tf.Variable(tf.random_normal([1]), name = 'weight')
b = tf.Variable(tf.random_normal([1]), name = 'bias')

# 建立模型 Y = WX + b
Y_pred = tf.add(tf.multiply(W, X), b)

# 建立损失函数模型 平方误差函数
loss = tf.square(Y - Y_pred, name = 'loss')

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

# 指定迭代的次数，并在session中执行graph
init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)       # 初始化所有变量
    writer = tf.summary.FileWriter('./graph', sess.graph)   # 写入tensorboard
    # 模型训练
    for i in range(50):
        total_loss = 0
        for x, y in zip(xs, ys):
            _optimizer, _loss = sess.run([optimizer, loss], {X: x, Y: y})
            total_loss += _loss
        if i % 5 == 0:
            print('Epoch {index}: {total_loss}'.format(index = i, total_loss = total_loss))
    writer.close()  # 关闭writer

    # 经过各个算子计算，可以取出训练好的W和b的值
    W, b = sess.run([W, b])

# 输出W b
print(W, b)
print('W:' + str(W[0]))
print('b:' + str(b[0]))

# 画图
# plt.plot(xs, ys, 'bo', label = 'Real data')
# plt.plot(xs, xs * W + b, 'r', label = 'Predicted data')
# plt.legend()
# plt.show()