Simple Linear Regression in Tensorflow

Table of Contents

• TensorFlow学习记录

  • 第一章 Anaconda简介

    • 1.1 Anaconda、conda、pip、virtualenv的区别比较
    • 1.2 参考

  • 第二章 Anaconda安装Tensorflow

    • 2.1 安装Anaconda
    • 2.2 在Anaconda中激活安装tensorflow
    • 2.3 在tensorflow中安装Jupyter Notebook
    • 2.4 在terminal中运行Tensorflow
    • 2.5 在jupyter notebook中运行tensorflow
    • 2.6 报错解决
    • 2.7 参考

  • 第三章 Tensorflow使用入门

    • 3.1 创建图
    • 3.2 执行图
    • 3.3 管理图
    • 3.4 参考

  • 第四章 Tensorflow实现简单线性回归

    • 4.1 实现代码
    • 4.2 参考

  • 第五章 梯度下降

    • 5.1 准备工作
    • 5.2 手工计算梯度
    • 5.3 自动计算梯度
    • 5.4 优化器
    • 5.5 批量梯度下降
    • 5.6 参考

  • 第六章 模型保存与恢复

    • 6.1 保存模型
    • 6.2 恢复模型
    • 6.3 模型文件
    • 6.4 参考

  • 第七章 Tensorboard可视化图及训练

    • 7.1 过程记录
      • 导入包
      • 数据处理
      • 设置日志文件
      • 创建计算图
      • 创建会话
      • 运行结果
      • 启动Tensorboard服务
      • 查看训练状态
      • 使用Tensorboard
    • 7.2 参考

  • 第八章 命名作用域

    • 8.1 过程记录
      • 代码修改
      • 结果观察
    • 8.2 参考

第四章 Tensorflow实现简单线性回归

       在了解TensorFlow中图的使用后，利用Tensorflow实现一个简单的线性回归来进一步理解Tensorflow的使用。

4.1 实现代码

       将《机器学习实战》中有关tensorflow线性回归的代码进行了一个简单的复现，并添加了一些注释。下面这段代码实现了对加州住房数据的线性回归的计算，整体难度不大。

# 导入相关包
import tensorflow as tf
import numpy as np
from sklearn.datasets import fetch_california_housing

# 构建计算图
housing = fetch_california_housing()
m,n = housing.data.shape
## 为数据添加偏差项，即添加y=ax+b中的b
housing_data_plus_bias = np.c_[np.ones((m,1)),housing.data]
## 将输入变量转化为常量节点，  
X = tf.constant(housing_data_plus_bias, dtype=tf.float32, name="X")
y = tf.constant(housing.target.reshape(-1,1), dtype=tf.float32, name="y")
XT = tf.transpose(X)
## 根据标准方程/正规方程计算参数的值
theta = tf.matmul(tf.matmul(tf.matrix_inverse(tf.matmul(XT,X)),XT),y) 

# 执行计算图
with tf.Session() as sess:
    theta_value = theta.eval()
print(theta_value)

结果如下：

[[-3.7171074e+01]
 [ 4.3633682e-01]
 [ 9.3871783e-03]
 [-1.0717344e-01]
 [ 6.4540231e-01]
 [-4.1238391e-06]
 [-3.7809242e-03]
 [-4.2373490e-01]
 [-4.3720812e-01]]

       代码中的一些函数及包的详细介绍可参考Tensorflow的简单总结

4.2 参考

[1] Geron.机器学习实战