Tensorflow实战系列教程(一) 训练一元一次方程-CSDN博客

本文链接：https://blog.csdn.net/h12321hzhy/article/details/83962852

前言：

一套计算机视觉为切入点的Tensorflow教程，如果感兴趣，欢迎留言讨论。

摘要：

通过搭建一个拟合一元方程 y = kx + b 的案例，我们来大致梳理一下一个完整的Tensorflow工程的几个关键要素。

正文：

1.原始数据及标注

原始数据及标注是工程的标的，是我们将自己想要的功能描述给tensorflow的一种形式，通过对原始数据和标注信息的不断调整，达到将模型参数拟合到足够好，可以很好地表征了数据关系的时候，我们便认为这个模型是个合适的数据模型。

该工程中，我们定义了一个y = 0.1x + 0.3的函数方程，并准备了100个归一化的浮点数作为原始数据，对模型参数进行训练拟合，代码为：

x_data = np.random.rand(100).astype(np.float32)
y_data = x_data*0.1+0.3

2.待训练的参数及模型

待训练的参数及模型是我们定义的一个数据模型，通过对这个模型的参数进行调优，达到该模型可以表征了原始数据及标注信息关系的目的，在实际运用中，需要根据具体问题，选择或者设计合适的参数模型，该工程中设计的模型和定义的保持的一致，作为示范，代码为：

#构建张量参数
Weights = tf.Variable(tf.random_uniform([1],-1.0,1.0))
biases = tf.Variable(tf.zeros([1]))

#构建tensorflow待训练模型
train_y = Weights * x_data + biases

3.损失函数及优化器

损失函数和优化器是模型参数调优的核心，通过定义一个合适的损失函数，给训练过程提供了一个方向标的，通过梯度下降等优化器，在不断训练的过程中，模型参数和理论值越来越逼近。

该工程中损失函数及优化器为：

#定义损失函数
loss = tf.reduce_mean(tf.square(train_y - y_data))

#定义梯度下降优化器
train = tf.train.GradientDescentOptimizer(0.2).minimize(loss)

定义的损失函数为计算数据的和理论值差距的平均平方和，通过损失函数，建立起了一个现有模型参数和理论模型参数的评价标准，可以通过优化器将参数调整到与理论模型参数越来越接近。优化器的传入参数是学习率，相关理论知识后续会慢慢补充进来。

4.训练过程

Tensorflow的机制里，变量创建不会执行，如果想让定义的所有变量和函数生效并且开始执行，需要创造一个会议环境，在该环境里设计一个合适的训练过程，通过计算损失值或者定义训练次数，来对整个训练过程进行把控。

由于Tensorflow的非运行不执行机制，我们在查看TF变量的中间过程时，需要自己利用会议对象进行执行查看。

完整工程，跑起来吧！

'''

 如需转载，请保留该信息
 by hzy
 in 西安

'''
import tensorflow as tf
import numpy as np

#定义数据集和标注信息
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data*0.1+0.3

#定义tensorflow张量对象
Weights = tf.Variable(tf.random_uniform([1],-1.0,1.0))
biases = tf.Variable(tf.zeros([1]))

#构建tensorflow待训练模型
train_y = Weights * x_data + biases

#定义损失函数
loss = tf.reduce_mean(tf.square(train_y - y_data))

#定义梯度下降优化器
train = tf.train.GradientDescentOptimizer(0.2).minimize(loss)

#定义变量初始化过程
init = tf.initialize_all_variables()

#启用会议，开始训练模型
with tf.Session() as sess:
    sess.run(init)
    for step in range(0,201):
        sess.run(train)

        #输出模型训练过程中tensorflow模型参数的变化过程
        curWeight = sess.run(Weights[0])
        curBiases = sess.run(biases[0])
        print("Current trained " + str(step) + " Weight:" + str(curWeight) + " Biases:" + str(curBiases))