1.准备数据
import numpy as np
import matplotlib.pyplot as pt
#np.linspace生成100个等差数列,取值0,1之间
x_data=np.linspace(0,1,100)
#np.random.randn(*x_data.shape)维度跟x_data一致
y_data=2*x_data +1.0+np.random.randn(*x_data.shape)*0.4
pt.scatter(x_data,y_data)
pt.plot(x_data,2*x_data+1.0,color='red',linewidth=3)
2.构建模型
(1)定义训练数据的占位符,x是特征值,y是标签值
(2)定义模型函数
import tensorflow as tf
x=tf.placeholder('float',name='x')
y=tf.placeholder('float',name='y')
def model(x,w,b):
return tf.multiply(x,w)+b
(3)定义模型结构
tensorflow 变量的声明函数是tf.Variable
tf.Variable的作用是保存和跟新参数
变量是初始值可以是随机数,常数,或者其他变量的初始值
w=tf.Variable(1.0,name='w0')
b=tf.Variable(0.0,name='b0')
#pred是预测值,前向计算
pred=model(x,w,b)
3.训练模型
#训练次数
train_epochs=10
#学习率
learning_rate=0.05
(1)定义损失函数
损失函数用于描述预测值跟真实值之间的误差,从而指导模型收敛方向
常见损失函数:均方差(Mean Square Error,MSE)和交叉熵(cross-entropy)
L2损失函数
#采用均方差作为损失函数
loss_function=tf.reduce_mean(tf.square(y-pred))
(2)定义优化器
定义优化器Optimizer,初始化一个GradientDescentOptimizer
设置学习率与优化目标:最小化损失
#梯度下降优化器
optimizer=tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)
(3)创建会话
#声明会话
sess=tf.Session()
#对所有变量初始化
init=tf.global_variables_initializer()
sess.run(init)
(4)迭代训练
for epoch in range(10):
for xs,ys in zip(x_data,y_data):
_,loss=sess.run([optimizer,loss_function],feed_dict={x:xs,y:ys})
b0temp=b.eval(session=sess)
w0temp=w.eval(session=sess)
pt.plot(x_data,w0temp*x_data+b0temp)
4进行预测
print('w:',sess.run(w))
print("b:",sess.run(b))