简单的API介绍
- 矩阵运算
tf.matmul(x, w)
- 平方
tf.square(error)
- 均值
tf.reduce_mean(error)
- 梯度下降
tf.train.GradientDescentOptimizer(learning_rate)
learning_rate:学习率
method:
minimize(loss)
return:梯度下降op
线性回归实现
#! /usr/bin/env python
# -*- coding:utf-8 -*-
import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 设置告警级别
def myregression():
"""
自实现一个线性回归预测
数据是随机给出的x和y,x和y的权重和偏置固定,通过梯度下降预测选择最优权重和偏置
:return: None
"""
# 1、准备数据 x 特征值[100, 1] y 目标值[100]
x = tf.random_normal([100, 1], mean=1.75, stddev=0.5, name="x_data")
# 矩阵相乘必须是二维的
y_true = tf.matmul(x, [[0.7]]) + 0.8
# 2、建立线性回归模型 数据有一个特征,就是一个权重,还有一个偏置 y = x*w + b
# 随机给一个权重和偏置的值,让它去计算损失,然后在当前状态下优化
# 用变量定义才能优化 特征值只有一个,所以需要一个权重,如果十多个权重,那么就是[n, 1]
weight = tf.Variable(tf.random_normal([1, 1], mean=0.0, stddev=1.0, name="w"))
bias = tf.Variable(0.0, name="b")
y_predict = tf.matmul(x, weight) + bias
# 3、建立损失函数,均方误差
loss = tf.reduce_mean(tf.square(y_true - y_predict))
# 4、梯度下降优化损失 leaning_rate: 0~1,2,3,5,7,10 学习率:GradientDescentOptimizer 最小化优化损失:minimize
train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
# 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)
# 打印随机最先初始化的权重和偏置 op是没有结果的,要run或者eval
print("随机初始化的参数权重为:%f, 偏置为:%f" % (weight.eval(), bias.eval()))
# 循环训练 运行优化
for i in range(200):
sess.run(train_op)
print("第%d次优化的参数权重为:%f, 偏置为:%f" % (i+1, weight.eval(), bias.eval()))
if __name__ == '__main__':
myregression()
返回结果如下图所示: