TF-cookbook4模型建立

# 模型评估需要一个训练数据集，一个测试数据集，有时还需要一个验证数据集
# 回归算法模型用来预测连续数值型，其目标是数字，为了评估回归预测值是否与实际目标相符合，需要度量两者之间的距离
# t1：评估简单的回归算法模型，拟合常数乘法，目标值为10
# 1.创建计算图，数据集，变量和占位符，然后将其分割为训练数据集和测试数据集，在训练数据集和测试数据集上都进行模型评估，以确定是否过拟合
import matplotlib.pyplot as plt
import numpy as np
import tensorflow as tf
sess=tf.Session()
# 原始数据值（输入）
x_vals=np.random.normal(1,0.1,100)
# 原始目标值（输出）
y_vals=np.repeat(10.,100)
# 待训练的张量(输入)
x_data=tf.placeholder(shape=[None,1],dtype=tf.float32)
# 待训练生成的张量(输出)
y_target=tf.placeholder(shape=[None,1],dtype=tf.float32)
batch_size=25
# 返回：从一维array a 或 int 数字a 中，以概率p随机选取大小为size的数据，replace表示是否重用元素，
# 即抽取出来的数据是否放回原数组中，默认为true（抽取出来的数据有重复）
# train_induce:随机生成训练集索引：生成0.8倍数量的索引值，即训练集索引为80个，总的索引为100（不重复的生成）
train_indices=np.random.choice(len(x_vals),round(len(x_vals)*0.8),replace=False)
# test_induce:随机产生测试集索引：即总的数据集合中除去训练集索引之外的数据集，即20个剩下的索引值
test_induce=np.array(list(set(range(len(x_vals)))- set(train_indices)))
# 生成训练数据集
x_vals_train=x_vals[train_indices]
# 生成测试数据集
x_vals_test=x_vals[test_induce]
# 目标训练数据集
y_vals_train=y_vals[train_indices]
# 目标测试数据集
y_vals_test=y_vals[test_induce]
# 定义模型变量（需要从模型训练中求得的变量A）
A=tf.Variable(tf.random_normal(shape=[1,1]))
# 2.声明算法模型，损失函数及优化算法，初始化模型变量A
# 第一层op，输入张量与A进行运算，得到预测值
my_output=tf.matmul(x_data,A)
# loss损失函数,第一层op后的预测值my_output与目标值y_target的距离
loss=tf.reduce_mean(tf.square(my_output-y_target))
# 初始化模型变量A
init=tf.global_variables_initializer()
sess.run(init)
# 使用优化器,学习率为0.02
my_opt=tf.train.GradientDescentOptimizer(0.02)
train_step=my_opt.minimize(loss)
# 3.迭代训练模型
for i in range(5000):
    rand_index=np.random.choice(len(x_vals_train),size=batch_size)
    rand_x=np.transpose([x_vals_train[rand_index]])
    rand_y=np.transpose([y_vals_train[rand_index]])
    sess.run(train_step,feed_dict={x_data:rand_x,y_target:rand_y})
    if(i+1)%25==0:
        print('Step # ' +str(i+1) + ' A = '+str(sess.run(A)))
        print('Loss = ' +str(sess.run(loss,feed_dict={x_data:rand_x,y_target:rand_y})))