tensorflow基础知识总结+线性回归实战

已于 2023-02-15 17:24:06 修改
阅读量1.2k 收藏 3
点赞数
文章标签： tensorflow 线性回归 深度学习
于 2021-12-30 15:45:36 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/sdbyp/article/details/122199961
版权

目录

一、Tensorflow介绍

1.2 图与tensorBoard

实现程序可视化的需要两步：

1) 数据序列化-events文件

import tensorflow as tf
a = tf.constant(20)
b = tf.constant(22)
c = tf.add(a, b)

# 获取默认图
g = tf.get_default_graph()
print("图", g)

with tf.Session() as sess:
    # 1、写入到events文件中
    file_writer = tf.summary.FileWriter("./temp/summary", graph=sess.graph)
    sum_t = sess.run(c)
    print(sum_t)

2) 启动TensorBoard

tensorboard --logdir="./ai/temp/summary/" --host=127.0.0.1  # 在cmd中输入自己的events文件所在目录

> TensorBoard 1.12.2 at http://127.0.0.1:6006 (Press CTRL+C to quit)

在浏览器中输入： http://127.0.0.1:6006，即可打开TensorBoard

在这里插入图片描述

2.op

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

2.1 修改张量的命名

a = tf.constant(20, name="a")
b = tf.constant(20, name="b")

在这里插入图片描述

3.会话

在这里插入图片描述

3.1 __ init __

在这里插入图片描述
在这里插入图片描述

import tensorflow as tf
a = tf.constant(20, name="a")
b = tf.constant(22, name="b")
d = tf.constant(22.2)
c = tf.add(a, b)

# 获取默认图
g = tf.get_default_graph()
print("图", g)
print("a:", a)
print("d:", d)

with tf.Session(config=tf.ConfigProto(allow_soft_placement=True, log_device_placement=True)) as sess:
    # 1、写入到events文件中
    file_writer = tf.summary.FileWriter("./temp/summary", graph=sess.graph)
    sum_t = sess.run(c)
    print(sum_t)

>
图 <tensorflow.python.framework.ops.Graph object at 0x000001D2D0B02470>
a: Tensor("a:0", shape=(), dtype=int32)
d: Tensor("Const:0", shape=(), dtype=float32)

Device mapping: no known devices.
Add: (Add): /job:localhost/replica:0/task:0/device:CPU:0
a: (Const): /job:localhost/replica:0/task:0/device:CPU:0
b: (Const): /job:localhost/replica:0/task:0/device:CPU:0
Const: (Const): /job:localhost/replica:0/task:0/device:CPU:0
42

3.2 会话中的run()

在这里插入图片描述

import tensorflow as tf
a = tf.constant(20, name="a")
b = tf.constant(22, name="b")
d = tf.constant(22.2)
c = tf.add(a, b)


with tf.Session(config=tf.ConfigProto(allow_soft_placement=True, log_device_placement=True)) as sess:
    # 1、写入到events文件中
    file_writer = tf.summary.FileWriter("./temp/summary", graph=sess.graph)
    a, b, c = sess.run([a, b, c])
    print(a, b, c)

feed_dict:能够在运行时控制变量的赋值

import tensorflow as tf


# 定义placeholder
plat_a = tf.placeholder(dtype=tf.float32)
plat_b = tf.placeholder(dtype=tf.float32)
plat_add = tf.add(plat_a, plat_b)

with tf.Session(config=tf.ConfigProto(allow_soft_placement=True, log_device_placement=True)) as sess:
    # 1、写入到events文件中
    file_writer = tf.summary.FileWriter("./temp/summary", graph=sess.graph)
    ret = sess.run(plat_add, feed_dict={plat_a: 5.0, plat_b: 6.0})
    print(ret)

4 张量

TensorFlow的张量就是一个n维数组，类型为tf.Tensor。Tensor具有两个重要属性：

  • type:数据类型
  • shape:形状（阶）

4.1 张量的类型

在这里插入图片描述
在这里插入图片描述

 ones = tf.ones([3, 4])
 print(ones.eval())

在这里插入图片描述

在这里插入图片描述

4.2 张量形状的变换

在这里插入图片描述

4.3 形状改变

TensorFlow的张量具有两种形状变换，动态形状和静态形状：

  • tf.reshape
  • tf.set_shape
    在这里插入图片描述
    静态形状的设置：
# 定义placeholder
plat_a = tf.placeholder(dtype=tf.float32)
plat_b = tf.placeholder(dtype=tf.float32)
plat_add = tf.add(plat_a, plat_b)

plat_c = tf.placeholder(dtype=tf.float32, shape=[None, None])
print(plat_c.shape)
plat_c.set_shape([5, 6])
print("c.shape:", plat_c.shape)
plat_c.set_shape([4, 3])  # 不能再次设置静态形状，否则会报错!!!，也不能跨阶数修改！！！！
print("c.shape:", plat_c.shape)

动态形状的设置：会生成一个新的张量值

plat_c = tf.placeholder(dtype=tf.float32, shape=[None, None])
print(plat_c.shape)
c_shape = tf.reshape(plat_c, [12, 12])
c_shape = tf.reshape(c_shape, [2, 12, 6])
print("c.shape:", c_shape.get_shape())

4.4 张量的数学运算

在这里插入图片描述

4.5 变量OP

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

二、利用TensorFlow实现线性回归案例

2.1 基础代码

import tensorflow as tf


# 1.准备数据
X = tf.random_normal(shape=(100, 1), mean=2, stddev=2)
y_true = tf.matmul(X, [[0.8]]) + [[0.7]]

# 2.构建模型
weights = tf.Variable(initial_value=tf.random_normal((1, 1)))
bias = tf.Variable(initial_value=tf.random_normal((1, 1)))
y_predict = tf.matmul(X, weights) + bias

# 3. 确定损失函数
error = tf.reduce_mean(tf.square(y_predict-y_true))

# 4.梯度下降优化损失
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(error)


# 初始化变量
init = tf.global_variables_initializer()

# 5.训练
with tf.Session() as sess:
    sess.run(init)
    print("随机初始化的权重%f, 偏置为%f" % (weights.eval(), bias.eval()))
    # 训练模型
    for i in range(1000):
        sess.run(optimizer)
        print("第%d步的误差为%f, 权重为%f, 偏置为%f" % (i, error.eval(), weights.eval(), bias.eval()))

2.2 命名空间

添加模块的命名

import tensorflow as tf


# 1.准备数据
with tf.variable_scope("original_data"):
    X = tf.random_normal(shape=(100, 1), mean=2, stddev=2, name="original_data_x")
    y_true = tf.matmul(X, [[0.8]]) + [[0.7]]

# 2.构建模型
with tf.variable_scope("linear_model"):
    weights = tf.Variable(initial_value=tf.random_normal((1, 1)), name="w")
    bias = tf.Variable(initial_value=tf.random_normal((1, 1)), name="b")
    y_predict = tf.matmul(X, weights) + bias

# 3. 确定损失函数
with tf.variable_scope("loss"):
    error = tf.reduce_mean(tf.square(y_predict-y_true))

# 4.梯度下降优化损失
with tf.variable_scope("optimizer"):
    optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(error)


# 初始化变量
init = tf.global_variables_initializer()

# 5.训练
with tf.Session() as sess:
    # 5.1运行初始化变量
    sess.run(init)
    print("随机初始化的权重%f, 偏置为%f" % (weights.eval(), bias.eval()))
    
    # 5.2 创建事件文件
    file_writer = tf.summary.FileWriter(logdir="./temp/summary/", graph=sess.graph)

    # 5.3训练模型
    for i in range(1000):
        sess.run(optimizer)
        print("第%d步的误差为%f, 权重为%f, 偏置为%f" % (i, error.eval(), weights.eval(), bias.eval()))

在这里插入图片描述

2.3 收集变量

在这里插入图片描述

import tensorflow as tf


# 1.准备数据
with tf.variable_scope("original_data"):
    X = tf.random_normal(shape=(100, 1), mean=2, stddev=2, name="original_data_x")
    y_true = tf.matmul(X, [[0.8]]) + [[0.7]]

# 2.构建模型
with tf.variable_scope("linear_model"):
    weights = tf.Variable(initial_value=tf.random_normal((1, 1)), name="w")
    bias = tf.Variable(initial_value=tf.random_normal((1, 1)), name="b")
    y_predict = tf.matmul(X, weights) + bias

# 3. 确定损失函数
with tf.variable_scope("loss"):
    error = tf.reduce_mean(tf.square(y_predict-y_true))

# 4.梯度下降优化损失
with tf.variable_scope("optimizer"):
    optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(error)

# 11.手机观察的变量
tf.summary.scalar("losses", error)
tf.summary.histogram("weight", weights)
tf.summary.histogram("biases", bias)

# 22.合并收集的张量
merge = tf.summary.merge_all()

# 初始化变量
init = tf.global_variables_initializer()

# 5.训练
with tf.Session() as sess:
    # 5.1运行初始化变量
    sess.run(init)
    print("随机初始化的权重%f, 偏置为%f" % (weights.eval(), bias.eval()))

    # 5.2 创建事件文件
    file_writer = tf.summary.FileWriter(logdir="./temp/summary/", graph=sess.graph)

    # 5.3训练模型
    for i in range(1000):
        sess.run(optimizer)
        print("第%d步的误差为%f, 权重为%f, 偏置为%f" % (i, error.eval(), weights.eval(), bias.eval()))

        # 写入收集的变量
        summary = sess.run(merge)
        file_writer.add_summary(summary, i)

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

2.4 模型保存与加载

在这里插入图片描述

保存的文件格式为ckpt
saver = tf.train.Saver()
saver.save(sess, "./temp/ckpt/linearregression")
saver.restore(sess, "./temp/ckpt/linearregression")

保存代码

import tensorflow as tf


# 1.准备数据
with tf.variable_scope("original_data"):
    X = tf.random_normal(shape=(100, 1), mean=2, stddev=2, name="original_data_x")
    y_true = tf.matmul(X, [[0.8]]) + [[0.7]]

# 2.构建模型
with tf.variable_scope("linear_model"):
    weights = tf.Variable(initial_value=tf.random_normal((1, 1)), name="w")
    bias = tf.Variable(initial_value=tf.random_normal((1, 1)), name="b")
    y_predict = tf.matmul(X, weights) + bias

# 3. 确定损失函数
with tf.variable_scope("loss"):
    error = tf.reduce_mean(tf.square(y_predict-y_true))

# 4.梯度下降优化损失
with tf.variable_scope("optimizer"):
    optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(error)

# 11.手机观察的变量
tf.summary.scalar("losses", error)
tf.summary.histogram("weight", weights)
tf.summary.histogram("biases", bias)

# 22.合并收集的张量
merge = tf.summary.merge_all()

# 初始化变量
init = tf.global_variables_initializer()

# 创建saver
saver = tf.train.Saver()

# 5.训练
with tf.Session() as sess:
    # 5.1运行初始化变量
    sess.run(init)
    print("随机初始化的权重%f, 偏置为%f" % (weights.eval(), bias.eval()))

    # 5.2 创建事件文件
    file_writer = tf.summary.FileWriter(logdir="./temp/summary/", graph=sess.graph)

    # 5.3训练模型
    for i in range(1000):
        sess.run(optimizer)
        print("第%d步的误差为%f, 权重为%f, 偏置为%f" % (i, error.eval(), weights.eval(), bias.eval()))

        # 写入收集的变量
        summary = sess.run(merge)
        file_writer.add_summary(summary, i)

        saver.save(sess, "./temp/ckpt/linearregression")

读取

import tensorflow as tf


# 1.准备数据
with tf.variable_scope("original_data"):
    X = tf.random_normal(shape=(100, 1), mean=2, stddev=2, name="original_data_x")
    y_true = tf.matmul(X, [[0.8]]) + [[0.7]]

# 2.构建模型
with tf.variable_scope("linear_model"):
    weights = tf.Variable(initial_value=tf.random_normal((1, 1)), name="w")
    bias = tf.Variable(initial_value=tf.random_normal((1, 1)), name="b")
    y_predict = tf.matmul(X, weights) + bias

# 3. 确定损失函数
with tf.variable_scope("loss"):
    error = tf.reduce_mean(tf.square(y_predict-y_true))

# 4.梯度下降优化损失
with tf.variable_scope("optimizer"):
    optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(error)

# 11.手机观察的变量
tf.summary.scalar("losses", error)
tf.summary.histogram("weight", weights)
tf.summary.histogram("biases", bias)

# 22.合并收集的张量
merge = tf.summary.merge_all()

# 初始化变量
init = tf.global_variables_initializer()

# 创建saver
saver = tf.train.Saver()

# 5.训练
with tf.Session() as sess:
    # 5.1运行初始化变量
    sess.run(init)
    print("随机初始化的权重%f, 偏置为%f" % (weights.eval(), bias.eval()))

    # 5.2 创建事件文件
    file_writer = tf.summary.FileWriter(logdir="./temp/summary/", graph=sess.graph)

    saver.restore(sess, "./temp/ckpt/linearregression")
    print(weights.eval(), bias.eval())
    # # 5.3训练模型
    # for i in range(1000):
    #     sess.run(optimizer)
    #     print("第%d步的误差为%f, 权重为%f, 偏置为%f" % (i, error.eval(), weights.eval(), bias.eval()))
    #
    #     # 写入收集的变量
    #     summary = sess.run(merge)
    #     file_writer.add_summary(summary, i)
    #
    #     saver.save(sess, "./temp/ckpt/linearregression")

2.4 命令行参数

在这里插入图片描述

import tensorflow as tf


# 1.准备数据
with tf.variable_scope("original_data"):
    X = tf.random_normal(shape=(100, 1), mean=2, stddev=2, name="original_data_x")
    y_true = tf.matmul(X, [[0.8]]) + [[0.7]]

# 2.构建模型
with tf.variable_scope("linear_model"):
    weights = tf.Variable(initial_value=tf.random_normal((1, 1)), name="w")
    bias = tf.Variable(initial_value=tf.random_normal((1, 1)), name="b")
    y_predict = tf.matmul(X, weights) + bias

# 3. 确定损失函数
with tf.variable_scope("loss"):
    error = tf.reduce_mean(tf.square(y_predict-y_true))

# 4.梯度下降优化损失
with tf.variable_scope("optimizer"):
    optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(error)

# 11.手机观察的变量
tf.summary.scalar("losses", error)
tf.summary.histogram("weight", weights)
tf.summary.histogram("biases", bias)

# 22.合并收集的张量
merge = tf.summary.merge_all()

# 初始化变量
init = tf.global_variables_initializer()

# 创建saver
saver = tf.train.Saver()

# ####################  定义命令行参数
tf.app.flags.DEFINE_integer("max_step", 1000, "train_ step number")
FLAGS = tf.app.flags.FLAGS

# 5.训练
with tf.Session() as sess:
    # 5.1运行初始化变量
    sess.run(init)
    print("随机初始化的权重%f, 偏置为%f" % (weights.eval(), bias.eval()))

    # 5.2 创建事件文件
    file_writer = tf.summary.FileWriter(logdir="./temp/summary/", graph=sess.graph)

    # saver.restore(sess, "./temp/ckpt/linearregression")
    print(weights.eval(), bias.eval())
    # 5.3训练模型
    for i in range(FLAGS.max_step):
        sess.run(optimizer)
        print("第%d步的误差为%f, 权重为%f, 偏置为%f" % (i, error.eval(), weights.eval(), bias.eval()))

        # 写入收集的变量
        summary = sess.run(merge)
        file_writer.add_summary(summary, i)

        saver.save(sess, "./temp/ckpt/linearregression")
大白很火
关注
专栏目录
5.1 tensorflow2实现简单线性回归分析——python实战
炫云云
03-02 1167
带你全面理解简单线性回归分析，从零开始构建。 技术点：拟合优度检验、整体拟合效果的F检验、模型参数显著性T检验、置信区间估计、最小二乘法。 代码是从零开始构建。 感谢你的阅读，专栏文章持续更新，希望感兴趣的伙伴点个赞，关注不迷路！你的支持是我前进的动力！ 深耕于机器学习算法、深度学习、数据分析等领域，希望我这微不足道的知识能帮到您。
TensorFlow实现单变量线性回归过程
dusin的专栏
09-17 413
(python3.6;tensorflow1.13) 假设我们要学习的函数为线性函数y=2x+1 生成数据 #在Jupyter中，使用matplotlib显示图像需要设置inline模式，否则不会出现图像 %matplotlib inline import matplotlib.pyplot as plt import numpy as np import tensorflow as tf np.random.seed(5) 首先，生成输入数据。 我们需要构造满足这个函数的x和y同时加入一些不满足方程
tensorflow 线性回归
Lammy的专栏
08-03 193
tensorflow 线性回归 学习tensorflow，希望与大家共同进步，下面讲述的是如何利用tensorflow实现一个线性回归的模型的训练。 随机数据 目前的任务是随机100个点，（x, y）在x和y上存在着高斯误差，看下面代码： import tensorflow as tf import numpy as np import matplotlib.pyplot as plt...
【Python】TensorFlow介绍与实战
最新发布
Young_Pro的博客
07-17 1763
TensorFlow是由Google大脑团队开发的一款开源深度学习框架，于2015年11月9日正式发布。TensorFlow支持多种编程语言，如Python、C++、Java等，可以在不同的平台上运行，如CPU、GPU和TPU。# 定义模型参数# 定义模型本文详细介绍了TensorFlow的基本概念、安装方法以及使用技巧，并通过一个线性回归的实例讲解了如何在TensorFlow中训练模型。希望这篇文章能帮助大家更好地了解和使用TensorFlow，进一步探索深度学习的奥秘。
tensorflow总结
qq_32110859的博客
09-13 297
最近的工作主要围绕tensorflow分布式（ps-worker，horovod）的改造，连最基本的模型搭建以及损失函数等都忘记了。出了问题都不知道该从何查起，做如下总结。 一、目前遇到的问题：           imagenet 数据集训练alexnet模型，模型loss输出一直固定在6.9左右。已经查过以下问题。 模型的参数随着训练过程在变化 将模型输入设置为全白图片，检查模型输出l...
Tensorflow总结
lynn_001的博客
01-02 179
1、查看device信息 import os import tensorflow as tf # os.environ['TF_CPP_MIN_LOG_LEVEL'] = '3' a = tf.constant([1., 2., 3.], shape=[3], name='a') b = tf.constant([1., 2., 3.], shape=[3], name='b') c = a...
Tensorflow 总结
joe_8086的博客
09-20 448
TF中还有一个概念是kernel，kernel是operation在某种设备上的具体实现。TF的库通过注册机制来定义op和kernel，所以可以通过链接一个其他的库来进行kernel和op的扩展。
AiLearning：数据分析+机器学习实战+线性代数+PyTorch+NLTK+TF2.zip
08-25
本资源包"AiLearning：数据分析+机器学习实战+线性代数+PyTorch+NLTK+TF2.zip"提供了丰富的学习材料，旨在帮助你深入理解和应用这些关键技术。 首先，让我们关注"数据分析"这一领域。数据分析是通过收集、清洗、...
TensorFlow总结（2020版）
YBAdiam的博客
09-13 432
前言 TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统，其命名来源于本身的运行原理。Tensor(张量)意味着N维数组，Flow(流)意味着基于数据流图的计算，TensorFlow为张量从流图的一端流动到另一端计算过程。TensorFlow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统。 TensorFlow可被用于语音识别或图像识别等多项机器深度学习领域，对2011年开发的深度学习基础架构DistBelief进行了各方面的改进...
tensorflow总结帖
zeroQiaoba的博客
04-24 540
变量定义：#随机产生100个数，类型为float32 x_data = np.random.rand(100).astype(np.float32) y_data = x_data*0.1 + 0.3x_data = np.linspace(-1,1,300)[:, np.newaxis] noise = np.random.normal(0, 0.05, x_data.shape) y_data
Tensorflow学习总结
MARY197011111的博客
03-30 613
一、tensorflow简介 1.TensorFlow是Google开发的一款神经网络的Python外部的结构包, 也是一个采用数据流图来进行数值计算的开源软件库. 2.安装:利用anaconda安装 3.原理：通过不断学习进行曲线拟合，由图1到图2。TensorFlow是采用数据流图来计算, 所以首先我们得创建一个数据流流图, 然后再将我们的数据（数据以张量(tensor)的形式存在）放在...
TensorFlow基础知识点总结(常用知识点)
石头的博客
01-03 426
TensorFlow基础知识点总结(常用知识点)
TensorFlow之线性回归
Enchanted_ZhouH的博客
07-25 796
通过tensorflow实现一个简易的线性回归，代码如下： import tensorflow as tf import numpy as np import matplotlib.pyplot as plt#定义训练数据 train_x = np.linspace(-1,1,100) train_y = 3*train_x + np.random.randn(*train_x.shape)*0.3
TensorFlow-线性回归
cunzai1985的博客
09-23 191
TensorFlow-线性回归 (TensorFlow - Linear Regression) Advertisements 广告 Previous Page 上一页 Next Page 下一页 In this chapter, we will focus on the basic example of linear regression implementa...
tensorflow之线性回归
qq_36890572的博客
09-17 511
线性回归 (1)简单线性回归(一元) 定义输入变量x,输出变量y； 初始化线性回归中的参数:w,b； 根据公式给出预测结果，计算误差，使用梯度下降优化； 不断的训练，直到达到最大的训练次数(或考虑达到最小的误差要求)，结束训练，输出最终的结果； # coding=utf-8 ''' tensorflow 完成简单的线性回归(隐藏层单神经元) ''' import tensorflow ...
【TensorFlow】TensorFlow 的线性回归
热门推荐
Alan Lee
10-22 1万+
前面 有篇博文 讲了讲Ubuntu环境下安装TensorFlow，今天来说一说在TensorFlow中如何进行线性回归。 训练数据 本次使用的训练数据是美国房价数据，做了一些预处理，完整数据可从这里下载，原始数据共有1460行８１列，其中我选用了LotArea(房屋面积)和SalePrice(售价)两个变量来分别作为自变量和因变量，处理后样本个数为1140个，也就是说全部训练数据是一个...
tensorflow线性回归
kalp_yp
09-28 221
#线性回归 import numpy as np import tensorflow as tf import matplotlib.pyplot as plt #随机生成1000个点 围绕在y = 0.1x + 0.3直线周围 num_points = 1000 vectors_set = [] #循环 从0到num_points依次赋值给i for i in range(num_poin...
TensorFlow线性回归
Wind_know的博客
07-14 421
目录 代码实现 MNIST数据集 神经网络构建 Softmax函数 数据简单分类 代码实现 #导包 import tensorflow as tf import numpy as np import matplotlib.pyplot as plt #使用numpy 生成200个随机点 x_data=np.linspace(-0.5,0.5,200)[:,np.newaxis]#newaxis加维度 noise=np.random.normal(0,0.02,x_data.shape
Python数据挖掘：线性回归与多项式回归实战案例解析
整个系列文章以Python和TensorFlow为工具，适合人工智能入门者学习，不仅涵盖了理论知识，还有实战案例分析，旨在帮助读者从基础到进阶，逐步掌握数据挖掘和机器学习的基本技能。作者强调，这些案例是在课堂作业的...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值