线性回归机器学习补充（显示损失Loss）

通过昨天的学习，我们已经可以将那个简单的线性回归问题模型训练出来。接下来我们想要对每一次的损失进行显示出来，需要在原来的基础上加上一些代码。

由于每训练一次就会产生一个损失值，所以我们没有必要将他们全部打印出来，这个时候设置一个参数display_step 来控制打印的粒度；然后设置一个step 参数为训练的步数，一个列表loss_list 来存储每次的损失。

具体代码如下，只是在原来代码上做了一些改动。

import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np

# 设置随机种子数
np.random.seed(5)

# 直接采用np生成等差数列，生成100个点，每个点的取值在-1~1之间
x_data = np.linspace(-1, 1, 100)

# y = 2x + 1 + 噪声， 其中，噪声的维度和x_data一致
y_data = 2*x_data + 1.0 + np.random.randn(*x_data.shape)*0.4


x = tf.placeholder("float", name="x")
y = tf.placeholder("float", name="y")


# 定义模型
def model(x, w, b):
    return tf.multiply(x, w) + b


# 需要训练的变量
# 构建线性函数的斜率，变量w
w = tf.Variable(1.0, name="w0")
# 构建线性函数的截距，变量b
b = tf.Variable(0.0, name="b0")
# pred是预测值，前向计算
pred = model(x, w, b)

# 设置迭代的次数（训练轮数）
train_epoch = 10
# 学习率
learning_rate = 0.05
# 控制显示loss值的粒度
display_step = 10


# 定义损失函数（均方差）
loss_function = tf.reduce_mean(tf.square(y-pred))

# 定义梯度下降优化器
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)

sess = tf.Session()

init = tf.global_variables_initializer()
sess.run(init)

# 开始训练，轮数为epoch，采用SGD随机梯度下降优化方法
step = 0   # 记录训练的步数
loss_list = []  # 用于保存loss值的列表

for epoch in range(train_epoch):
    for xs, ys in zip(x_data, y_data):
        _, loss = sess.run([optimizer, loss_function], feed_dict={x: xs, y: ys})
        # 显示损失值 loss
        # display_step:控制报告粒度
        # 例如：如果display_step设置为2，则将每训练两个样本输出一次损失值
        # 与超参数不同，修改display_step不会更改模型学习的规律
        loss_list.append(loss)
        step = step + 1
        if step % display_step == 0:
            print("当前训练轮数：", epoch+1, "   步数：", step, "   损失值为：", loss)
    b0temp = b.eval(session=sess)
    w0temp = w.eval(session=sess)


print("w:", sess.run(w))
print("b:", sess.run(b))

plt.plot(loss_list)
# plt.plot(loss_list, 'r+')
plt.show()

运行结果图：

损失值可视化：