#!usr/bin/env python
# -*- coding:utf-8 _*-
"""
@author: Caramel
@file: 4-linear_regression.py
@time: 2020/05/29
@desc:
1.训练参数问题:trainable
2.学习率设置问题:
梯度爆炸,极端情况下,权重的值变的非常大,以至于溢出,导置NAN值
解决:调整学习率
重新设计网络
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
3.添加权重参数,损失值等在tensorboard观察情况
收集变量
合并变量写入事件文件
4.保存模型文件:checkpoint文件
5.定义命令行参数
首先定义有哪些参数需要在运行时指定
程序中获取定义的命令行参数
"""
import numpy as np
import tensorflow as tf
import os
tf.app.flags.DEFINE_integer('max_step', 100, '模型训练的步数')
tf.app.flags.DEFINE_string('model_dir', ' ', '模型文件的加载路径')
#定义获取命令行参数名字
flags = tf.app.flags.FLAGS
def mylineaer():
'''
自实现一个线性回归问题
:return:
'''
#变量作用域:让代码更加清晰,作用分明
with tf.variable_scope('data'):
# 准备数据,x 特征值【100, 1】 y目标值【100】
x = tf.random_normal([100, 1], mean=0.0, stddev=1.0, name='x_data')
# 相乘必须是二维的
y_true = tf.matmul(x, [[0.7]]) + 0.8
with tf.variable_scope('model'):
# 2.建立线性回归模型 1个特征,1个权重,一个偏置 y = wx + b
# 随机初始化一个权重和偏置的值,让他去计算损失,然后在当前状态下优化
# 用变量定义才能优化
# trainable参数:指定这个变量能跟着梯度下降一起优化
weight = tf.Variable(tf.random_normal([1, 1], mean=0.0, stddev=1.0), name='w', trainable=True)
bias = tf.Variable(0.0, name='b')
y_pre = tf.matmul(x, weight) + bias
with tf.variable_scope('loss'):
# 3.建立损失函数,均方误差
loss = tf.reduce_mean(tf.square(y_true - y_pre))
with tf.variable_scope('optimizer'):
# 梯度下降优化损失,给定学习率
train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
with tf.variable_scope('init'):
# 定义初始化op
init_op = tf.global_variables_initializer()
#1.收集tensor
tf.summary.scalar('loss_monitor', loss)
tf.summary.histogram('weight_monitir', weight)
#2.定义合并tensor的op
merged = tf.summary.merge_all()
saver = tf.train.Saver(max_to_keep=1)
with tf.Session() as sess:
#初始化变量
sess.run(init_op)
#建立事件文件
grapg_evnt = tf.summary.FileWriter('./tmp/summary/test/', graph=sess.graph)
#打印随机最先初始化的权重和偏置
print('随机初始化w和b', weight.eval(), bias.eval())
# 循环训练 运行优化
#加载模型,覆盖模型当中随机定义的参数,从上次训练的参数结果开始
if os.path.exists('./tmp/ckpt/models/'):
saver.restore((sess, './tmp/ckpt/models/'))
for i in range(flags.max_step):
#运行合并的op
summary = sess.run(merged)
grapg_evnt.add_summary(summary=summary, global_step=i)
sess.run(train_op)
print('第{}次'.format(i))
print('优化后w和b', weight.eval(), bias.eval())
if i % 50 == 0:
saver.save(sess, './tmp/ckpt/models/')
return None
if __name__ == '__main__':
mylineaer()