TensorFlow7-多元线性回归模型

 

 

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)