运行结果:错误
# 不确定多少行为None。列为12列。即12个数据特征
x=tf.placeholder(tf.float32,[None,12],name="X") # 12个特征数据
y=tf.placeholder(tf.float32,[None,1],name="Y") # 1个标签数据
### 创建变量 定义模型结构
# 定义了一个命令空间
with tf.name_scope("Model"):
# w 初始化值为shape=(12,1)的随机数
w=tf.Variable(tf.random_normal([12,1],stddev=0.01),name="W") # 列向量 标准差为0。01
# b 初始值为1.0
b=tf.Variable(1.0,name="b")
# w和x是矩阵叉乘,用matmul
def model(x,w,b):
return tf.matmul(x,w)+b
# 预测计算操作,前向计算节点
pred=model(x,w,b)
### 训练模型
# 迭代次数
train_epochs=50
# 学习率
learning_rate=0.01
### 定义均方差损失函数
with tf.name_scope("LossFunction"):
loss_function=tf.reduce_mean(tf.pow(y-pred,2)) #均方误差
### 创建优化器
optimizer=tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)
### 模型训练
# 创建会话
sess=tf.Session()
init=tf.global_variables_initializer()
# 启动会话
sess.run(init)
# 迭代结果
for epoch in range(train_epochs):
loss_sum=0
for xs,ys in zip(x_data,y_data):
xs=xs.reshape(1,12)
ys=ys.reshape(1,1)
_,loss=sess.run([optimizer,loss_function],feed_dict={x:xs,y:ys})
loss_sum=loss_sum+loss
# 打乱数据顺序
xvalues,yvalues=shuffle(x_data,y_data)
b0temp=b.eval(session=sess)
w0temp=w.eval(session=sess)
loss_average=loss_sum/len(y_data)
print("epoch:",epoch+1,"loss=",loss_average,"b=",b0temp,"w=",w0temp)
运行结果:成功
### 特征数据归一化
# 对特征数据【0到11】做(0-1)归一化
for i in range(12):
df[:,i]=df[:,i]/(df[:,i].max()-df[:,i].min())
x_data=df[:,:12]
y_data=df[:,12]
print(x_data,'\n shape=',x_data.shape)
# 不确定多少行为None。列为12列。即12个数据特征
x=tf.placeholder(tf.float32,[None,12],name="X") # 12个特征数据
y=tf.placeholder(tf.float32,[None,1],name="Y") # 1个标签数据
### 创建变量 定义模型结构
# 定义了一个命令空间
with tf.name_scope("Model"):
# w 初始化值为shape=(12,1)的随机数
w=tf.Variable(tf.random_normal([12,1],stddev=0.01),name="W") # 列向量 标准差为0。01
# b 初始值为1.0
b=tf.Variable(1.0,name="b")
# w和x是矩阵叉乘,用matmul
def model(x,w,b):
return tf.matmul(x,w)+b
# 预测计算操作,前向计算节点
pred=model(x,w,b)
### 训练模型
# 迭代次数
train_epochs=100
# 学习率
learning_rate=0.01
### 定义均方差损失函数
with tf.name_scope("LossFunction"):
loss_function=tf.reduce_mean(tf.pow(y-pred,2)) #均方误差
### 创建优化器
optimizer=tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)
### 模型训练
# 创建会话
sess=tf.Session()
init=tf.global_variables_initializer()
# 启动会话
sess.run(init)
loss_list=[]
# 迭代结果
for epoch in range(train_epochs):
loss_sum=0
for xs,ys in zip(x_data,y_data):
xs=xs.reshape(1,12)
ys=ys.reshape(1,1)
_,loss=sess.run([optimizer,loss_function],feed_dict={x:xs,y:ys})
loss_sum=loss_sum+loss
loss_list.append(loss)
# 打乱数据顺序
xvalues,yvalues=shuffle(x_data,y_data)
b0temp=b.eval(session=sess)
w0temp=w.eval(session=sess)
loss_average=loss_sum/len(y_data)
print("epoch:",epoch+1,"loss=",loss_average,"b=",b0temp,"w=",w0temp)
### 特征数据归一化
# 对特征数据【0到11】做(0-1)归一化
for i in range(12):
df[:,i]=df[:,i]/(df[:,i].max()-df[:,i].min())
x_data=df[:,:12]
y_data=df[:,12]
print(x_data,'\n shape=',x_data.shape)
# 不确定多少行为None。列为12列。即12个数据特征
x=tf.placeholder(tf.float32,[None,12],name="X") # 12个特征数据
y=tf.placeholder(tf.float32,[None,1],name="Y") # 1个标签数据
### 创建变量 定义模型结构
# 定义了一个命令空间
with tf.name_scope("Model"):
# w 初始化值为shape=(12,1)的随机数
w=tf.Variable(tf.random_normal([12,1],stddev=0.01),name="W") # 列向量 标准差为0。01
# b 初始值为1.0
b=tf.Variable(1.0,name="b")
# w和x是矩阵叉乘,用matmul
def model(x,w,b):
return tf.matmul(x,w)+b
# 预测计算操作,前向计算节点
pred=model(x,w,b)
### 训练模型
# 迭代次数
train_epochs=100
# 学习率
learning_rate=0.01
### 定义均方差损失函数
with tf.name_scope("LossFunction"):
loss_function=tf.reduce_mean(tf.pow(y-pred,2)) #均方误差
### 创建优化器
optimizer=tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)
### 模型训练
# 创建会话
sess=tf.Session()
init=tf.global_variables_initializer()
#设置日志存储日志
logdir='D:/tensorflowLog'
# 创建一个操作 用于记录损失值loss 后面在TensorBoard中SCALARS栏可见
sum_loss_op=tf.summary.scalar("loss",loss_function)
#把所有需要记录摘要日志文件的合并 方便一次性写入
merged=tf.summary.merge_all()
# 启动会话
sess.run(init)
#创建摘要writer 将计算图写入摘要文件。后面在TensorFlow中GRAPH可见
writer =tf.summary.FileWriter(logdir,sess.graph)
loss_list=[]
# 迭代结果
for epoch in range(train_epochs):
loss_sum=0
for xs,ys in zip(x_data,y_data):
xs=xs.reshape(1,12)
ys=ys.reshape(1,1)
_,summary_str,loss=sess.run([optimizer,sum_loss_op,loss_function],feed_dict={x:xs,y:ys})
writer.add_summary(summary_str,epoch)
loss_sum=loss_sum+loss
loss_list.append(loss)
# 打乱数据顺序
xvalues,yvalues=shuffle(x_data,y_data)
b0temp=b.eval(session=sess)
w0temp=w.eval(session=sess)
loss_average=loss_sum/len(y_data)
print("epoch:",epoch+1,"loss=",loss_average,"b=",b0temp,"w=",w0temp)