推荐java程序员的基本书
《java基础篇》
《java高级篇》
《java编程思想》
《大型网站架构》
《教你怎么不生气》
《沉默的愤怒》
《颈椎病康复指南》
《活着》
Linear线性回归案例
linear_regression.py
# -- encoding:utf-8 --
"""
Create by ibf on 2021/8/5
"""
import numpy as np
import tensorflow as tf
# TODO: 大家自己画一下图代码实现
# 1. 构造一个数据
np.random.seed(28)
N = 100
x = np.linspace(0, 6, N) + np.random.normal(loc=0.0, scale=2, size=N)
y = 14 * x - 7 + np.random.normal(loc=0.0, scale=5.0, size=N)
# 将x和y设置成为矩阵
x.shape = -1, 1
y.shape = -1, 1
# 2. 模型构建
# 定义一个变量w和变量b
# random_uniform:(random意思:随机产生数据, uniform:均匀分布的意思) ==> 意思:产生一个服从均匀分布的随机数列
# shape: 产生多少数据/产生的数据格式是什么; minval:均匀分布中的可能出现的最小值,maxval: 均匀分布中可能出现的最大值
w = tf.Variable(initial_value=tf.random_uniform(shape=[1], minval=-1.0, maxval=1.0), name='w')
b = tf.Variable(initial_value=tf.zeros([1]), name='b')
# 构建一个预测值
y_hat = w * x + b
# 构建一个损失函数
# 以MSE作为损失函数(预测值和实际值之间的平方和)
loss = tf.reduce_mean(tf.square(y_hat - y), name='loss')
# 以随机梯度下降的方式优化损失函数
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.05)
# 在优化的过程中,是让那个函数最小化
train = optimizer.minimize(loss, name='train')
# 全局变量更新
init_op = tf.global_variables_initializer()
# 运行
def print_info(r_w, r_b, r_loss):
print("w={},b={},loss={}".format(r_w, r_b, r_loss))
with tf.Session() as sess:
# 初始化
sess.run(init_op)
# 输出初始化的w、b、loss
r_w, r_b, r_loss = sess.run([w, b, loss])
print_info(r_w, r_b, r_loss)
# 进行训练(n次)
for step in range(100):
# 模型训练
sess.run(train)
# 输出训练后的w、b、loss
r_w, r_b, r_loss = sess.run([w, b, loss])
print_info(r_w, r_b, r_loss)
Softmax回归案例(手写数字)
linear_regression2.py
# -- encoding:utf-8 --
"""
Create by ibf on 2021/8/5
"""
import numpy as np
import tensorflow as tf
np.random.seed(28)
# TODO: 将这个代码整理成为单机运行的
# 1. 配置服务器相关信息
# 因为tensorflow底层代码中,默认就是使用ps和work分别表示两类不同的工作节点
# ps:变量/张量的初始化、存储相关节点
# work: 变量/张量的计算/运算的相关节点
ps_hosts = ['127.0.0.1:33331', '127.0.0.1:33332']
work_hosts = ['127.0.0.1:33333', '127.0.0.1:33334', '127.0.0.1:33335']
cluster = tf.train.ClusterSpec({'ps': ps_hosts, 'work': work_hosts})
# 2. 定义一些运行参数(在运行该python文件的时候就可以指定这些参数了)
tf.app.flags.DEFINE_integer('task_index', default_value=0, docstring="Index of task within the job")
FLAGS = tf.app.flags.FLAGS
# 3. 构建运行方法
def main(_):
# 图的构建
with tf.device(
tf.train.replica_device_setter(worker_device='/job:work/task:%d' % FLAGS.task_index, cluster=cluster)):
# 构建一个样本的占位符信息
x_data = tf.placeholder(tf.float32, [10])
y_data = tf.placeholder(tf.float32, [10])
# 定义一个变量w和变量b
# random_uniform:(random意思:随机产生数据, uniform:均匀分布的意思) ==> 意思:产生一个服从均匀分布的随机数列
# shape: 产生多少数据/产生的数据格式是什么; minval:均匀分布中的可能出现的最小值,maxval: 均匀分布中可能出现的最大值
w = tf.Variable(initial_value=tf.random_uniform(shape=[1], minval=-1.0, maxval=1.0), name='w')
b = tf.Variable(initial_value=tf.zeros([1]), name='b')
# 构建一个预测值
y_hat = w * x_data + b
# 构建一个损失函数
# 以MSE作为损失函数(预测值和实际值之间的平方和)
loss = tf.reduce_mean(tf.square(y_hat - y_data), name='loss')
global_step = tf.Variable(0, name='global_step', trainable=False)
# 以随机梯度下降的方式优化损失函数
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.05)
# 在优化的过程中,是让那个函数最小化
train = optimizer.minimize(loss, name='train', global_step=global_step)
# 图的运行
hooks = [tf.train.StopAtStepHook(last_step=10000000)]
with tf.train.MonitoredTrainingSession(
master='grpc://' + work_hosts[FLAGS.task_index],
is_chief=(FLAGS.task_index == 0), # 是否进行变量的初始化,设置为true,表示进行初始化
checkpoint_dir='./tmp',
save_checkpoint_secs=None,
hooks=hooks # 给定的条件
) as mon_sess:
while not mon_sess.should_stop():
N = 10
train_x = np.linspace(0, 6, N) + np.random.normal(loc=0.0, scale=2, size=N)
train_y = 14 * train_x - 7 + np.random.normal(loc=0.0, scale=5.0, size=N)
_, step, loss_v, w_v, b_v = mon_sess.run([train, global_step, loss, w, b],
feed_dict={x_data: train_x, y_data: train_y})
if step % 100 == 0:
print('Step:{}, loss:{}, w:{}, b:{}'.format(step, loss_v, w_v, b_v))
if __name__ == '__main__':
tf.app.run()