20-梯度爆炸、作用域、增加损失值等变量显示

由于csdn的bug，之前写的内容丢失，所以这篇内容不全

为什么线性回归中，bias和weight能够被优化？
因为其Variable中的trainable参数被设置为了True，所以在使用优化算法时，就能够被优化

梯度爆炸/梯度消失

在极端情况下，权重的变得非常大，以至于溢出，导致nan值

如何解决梯度爆炸问题（深度神经网络（如RNN）中更容易出现）：

• 重新设计网络
• 调整学习率（通常学习率过大容易出现梯度爆炸）
• 使用梯度截断（在训练过程中检查和限制梯度的大小）
• 使用激活函数

作用域

import tensorflow as tf
def myregression():
    """
    自实现一个线性回归预测
    :return: None
    """
    with tf.variable_scope("variable"):
        #准备数据
        x = tf.random_normal([100, 1], mean=1.75, stddev=0.5, name="x_data")
        y_true = tf.matmul(x, [[0.7]]) + 0.8 #矩阵相乘必须是2维的
    with tf.variable_scope("model"):
        #建立线回归模型
        weight = tf.Variable(tf.random_normal([1, 1], mean=0.0, stddev=1.0, name="weight"))
        bias = tf.Variable(0.0, name="bias")
        y_predict = tf.matmul(x, weight) + bias
    with tf.variable_scope("loss"):
        #建立损失函数，均方误差
        loss = tf.reduce_mean(tf.square(y_predict-y_true)) #reduce_mean是计算平均值
    with tf.variable_scope("optimizer"):
        #梯度下降优化损失
        train_op = tf.train.GradientDescentOptimizer(learning_rate=0.1).minimize(loss) #梯度下降去进行优化，即最小化损失，所以后面加了minimize

    #定义一个初始化变量的op
    init_op = tf.global_variables_initializer()

    #通过会话运行程序
    with tf.Session() as sess:
        #初始化变量
        sess.run(init_op)
        #打印随机初始化的权重和偏置值
        print("随机初始化的参数权重为：\n", weight.eval(), "\n偏置为：\n", bias.eval())
        #运行优化
        #循环训练优化
        for i in range(1000):
            sess.run(train_op)
            print("优化",i,"次优化过后的参数权重为：", weight.eval(), " 偏置为：", bias.eval())
    return None
if __name__ == "__main__":
    myregression()

在命令行运行tensorboard --logdir=“保存文件的路径”