线性回归:w1x1+w2x2+w3x3+......+wnxn+bias(这是一个偏移量),我们采用的算法是:线性回归,策略是:均方误差,优化是:梯度下降API,
1.转准备好实验的数据:100个数据,每一个有一个特征值,所以形成一个【100,1】的列表,在准备一个目标函数:y=0.8x+0.7那么怎么知道为什么是0.8和0.7呢,这是我们假设的
2.建立一个模型,需要我们随机生成两个参数,一个是权重w一个是偏置b , y_predict = x * w + b,需要注意的是这个模型的参数必须要用变量来定义
3.求损失误差,我们求的是均方误差,公式是:((y1-y1')^2+(y2-y2')^2+.......+(y100-y100')^2)/100
4.接下来就是利用梯度下降来优化误差,这个梯度下降是tensorflow里边自己实现的,我们只需要指定一个学习率就行了
Tensorflow运算的API
矩阵运算:tf.matmul(x,w)
平方运算:tf.square(参数1)
均值运算:tf.reduce_mean(参数1)
梯度下降API: tf.train.GradientDescentOptimizer(learning_rate);这是一个梯度下降优化器,learn_rate一般是method:minimize(loss),返回一个梯度下降的op
importtensorflow as tfimportos
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'#把报错的这个警告等级降低
defmyLineregression():#1.准备数据,x是100行1列的矩阵,y是一个目标值,100行
x = tf.random_normal([100,1],mean = 1.75,stddev=0.5,name="x_data")
y_true= tf.matmul(x,[[0.7]]) + 0.8 #其中这个0.7和0.8是不知道的,在这里我们假设我们知道了
#2.建立回归模型,1个特征值x 1个权重weight,一个偏置bias,组成:y = x*weight + bias,这里一定是变量
#随机给一个权重和偏置,让他接下来去计算误差函数,然后再去优化,但是前提是必须是变量才能优化
weigth = tf.Variable(tf.random_normal([1,1],mean=0.0,stddev=1.0),name='w')#即使是一个数也要表示成矩阵,一行一列表示一个矩阵
bias = tf.Variable(0.0,name='b')
y_predict= tf.matmul(x,weigth) +bias;#3建立损失函数
loss = tf.reduce_mean(tf.square(y_true -y_predict))#4.梯度下降优化损失,learning_rate一般是在0~10,越小越好通常是,最大不要超过10,然后通过minimize()来优化误差函数loss
train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)#接下来就要通过会话来运行实现了,但在这之前需要初始化变量的op
init_op =tf.global_variables_initializer()
with tf.Session() as sess:#初始化变量
sess.run(init_op)#打印最先初始化的权重个偏置
print("最先初始化的权重:%f 和 偏置是:%f" %(weigth.eval(),bias.eval()))#最先初始化的权重:-0.475077 和 偏置是:0.000000
##运行优化,这只是训练一次的结果:优化后的权重:0.635607 和 偏置是:0.581311
#sess.run(train_op)
#循环训练,运行优化,优化1000次,越多越精确,越接近我们的假设值
for i in range(1000):
sess.run(train_op)#打印优化后的权重和偏置
print("第%d次优化后的权重:%f 和 偏置是:%f" %(i,weigth.eval(), bias.eval()))returnNoneif __name__ == "__main__":
myLineregression()
.......
那么你可能有一个疑问,为什么weight和bias会一直变化呢,因为他两是tf.Variable类型的,在Variable()最后一个参数是trainable默认是True,如果你指定他是False的话,weight和bias就不会随着我们梯度变化来变化了
我们接下来用变量作用域来实现一下:这样的作用有两个:第一:使得我们的代码更加爽目;第二:使得我们后台显示很流畅,否则可能会有点凌乱
importtensorflow as tfimportos
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'#把报错的这个警告等级降低
defmyLineregression():
with tf.variable_scope("data"):#1.准备数据,x是100行1列的矩阵,y是一个目标值,100行
x = tf.random_normal([100,1],mean = 1.75,stddev=0.5,name="x_data")
y_true= tf.matmul(x,[[0.7]]) + 0.8 #其中这个0.7和0.8是不知道的,在这里我们假设我们知道了
with tf.variable_scope("model"):#2.建立回归模型,1个特征值x 1个权重weight,一个偏置bias,组成:y = x*weight + bias,这里一定是变量
#随机给一个权重和偏置,让他接下来去计算误差函数,然后再去优化,但是前提是必须是变量才能优化
weigth = tf.Variable(tf.random_normal([1,1],mean=0.0,stddev=1.0),name='w')#即使是一个数也要表示成矩阵,一行一列表示一个矩阵
bias = tf.Variable(0.0,name='b')
y_predict= tf.matmul(x,weigth) +bias;
with tf.variable_scope("loss"):#3建立损失函数
loss = tf.reduce_mean(tf.square(y_true -y_predict))
with tf.variable_scope("Optimizer"):#4.梯度下降优化损失,learning_rate一般是在0~10,越小越好通常是,最大不要超过10,然后通过minimize()来优化误差函数loss
train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)#接下来就要通过会话来运行实现了,但在这之前需要初始化变量的op
init_op =tf.global_variables_initializer()
with tf.Session() as sess:#在后台可视化观察图结构
fileWrite = tf.summary.FileWriter("E:/python/day8/temp/summary/text/",graph=sess.graph)#接下来在终端运行tensorboard --logdir="E:/python/day8/temp/summary/text/",就会产生一个网址,在浏览器打开即可
#初始化变量
sess.run(init_op)#打印最先初始化的权重个偏置
print("最先初始化的权重:%f 和 偏置是:%f" %(weigth.eval(),bias.eval()))#最先初始化的权重:-0.475077 和 偏置是:0.000000
##运行优化,这只是训练一次的结果:优化后的权重:0.635607 和 偏置是:0.581311
#sess.run(train_op)
#循环训练,运行优化
for i in range(1000):
sess.run(train_op)#打印优化后的权重和偏置
print("第%d次优化后的权重:%f 和 偏置是:%f" %(i,weigth.eval(), bias.eval()))returnNoneif __name__ == "__main__":
myLineregression()
后台样式:
但是在大多数的时候我们需要观察我们变量的变化图示,这时候我们需要添加变量显示 ,步骤如下:
添加变量显示的目的:观察模型的参数,损失值等变量值的变化
第一步骤:收集变量,有下列三种函数,任选一中
tf.summary.scalar(name="",tensor);name是你需要把他显示成什么名字的别名,tensor就是你显示的张量
tf.summary.histogram(name="",tensor);收集高纬度的变量参数
tf.summary.image(name="",tensor);收集输入图片张量能显示图片
第二步骤:合并变量并写入到事件文件中,下列函数按步骤来,都要写!
merged = tf.summary.merge_all() #合并变量,这一步往往写在会话运行前
summary = sess.run(merged );每次运行的时候都需要运行
FileWrite.add_summary(summary,i);i表示第几次的值
代码如下:
importtensorflow as tfimportos
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'#把报错的这个警告等级降低
defmyLineregression():
with tf.variable_scope("data"):#1.准备数据,x是100行1列的矩阵,y是一个目标值,100行
x = tf.random_normal([100,1],mean = 1.75,stddev=0.5,name="x_data")
y_true= tf.matmul(x,[[0.7]]) + 0.8 #其中这个0.7和0.8是不知道的,在这里我们假设我们知道了
with tf.variable_scope("model"):#2.建立回归模型,1个特征值x 1个权重weight,一个偏置bias,组成:y = x*weight + bias,这里一定是变量
#随机给一个权重和偏置,让他接下来去计算误差函数,然后再去优化,但是前提是必须是变量才能优化
weigth = tf.Variable(tf.random_normal([1,1],mean=0.0,stddev=1.0),name='w')#即使是一个数也要表示成矩阵,一行一列表示一个矩阵
bias = tf.Variable(0.0,name='b')
y_predict= tf.matmul(x,weigth) +bias;
with tf.variable_scope("loss"):#3建立损失函数
loss = tf.reduce_mean(tf.square(y_true -y_predict))
with tf.variable_scope("Optimizer"):#4.梯度下降优化损失,learning_rate一般是在0~10,越小越好通常是,最大不要超过10,然后通过minimize()来优化误差函数loss
train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)#接下来就要通过会话来运行实现了,但在这之前需要初始化变量的op
init_op =tf.global_variables_initializer()#收集tensor,为了添加变量显示
tf.summary.scalar("losser",loss)
tf.summary.histogram("weighter",weigth)#合并tensor的op,为了添加变量显示
merged =tf.summary.merge_all()
with tf.Session() as sess:#在后台可视化观察图结构
fileWrite = tf.summary.FileWriter("E:/python/day8/temp/summary/text/",graph=sess.graph)#接下来在终端运行tensorboard --logdir="E:/python/day8/temp/summary/text/",就会产生一个网址,在浏览器打开即可
#初始化变量
sess.run(init_op)#打印最先初始化的权重个偏置
print("最先初始化的权重:%f 和 偏置是:%f" %(weigth.eval(),bias.eval()))#最先初始化的权重:-0.475077 和 偏置是:0.000000
##运行优化,这只是训练一次的结果:优化后的权重:0.635607 和 偏置是:0.581311
#sess.run(train_op)
#循环训练,运行优化
for i in range(1000):
sess.run(train_op)#运行合并的tensor,为了添加变量显示
summary =sess.run(merged)#把合并的op添加到事件文件中
fileWrite.add_summary(summary,i)#打印优化后的权重和偏置
print("第%d次优化后的权重:%f 和 偏置是:%f" %(i,weigth.eval(), bias.eval()))returnNoneif __name__ == "__main__":
myLineregression()
有时候我们训练的数据相当的多,就会出现down 机的现象,这会使得我们之前训练很久的数据丢失,当你再次训练的时候又要重新开始,这是很浪费时间的,这时候我们要是有down机前的数据就好了,tensorflow就提供了这种模型保存和加载的功能。让我们看看怎么实现的吧。
函数:
1.Saver = tf.train.Saver(var_list,max_to_keep=5);var_list表示要保存和还原的变量,他可以作为一个列表或者字典来传递,max_to_keep要保留的最近检查点文件的最大数量,创建新文件时会删除旧文件,默认为5,如果是0则表示保留所有的检查点文件
举个栗子:
Saver.save(sess,"保存检查点文件的路径");
在上次训练结束的位置开始训练:Saver.restore(sess,"保存检查点文件的路径")
你会发现会把上次训练结束的数据保存到一个叫checkpoint的文件中
importtensorflow as tfimportos
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'#把报错的这个警告等级降低
defmyLineregression():
with tf.variable_scope("data"):#1.准备数据,x是100行1列的矩阵,y是一个目标值,100行
x = tf.random_normal([100,1],mean = 1.75,stddev=0.5,name="x_data")
y_true= tf.matmul(x,[[0.7]]) + 0.8 #其中这个0.7和0.8是不知道的,在这里我们假设我们知道了
with tf.variable_scope("model"):#2.建立回归模型,1个特征值x 1个权重weight,一个偏置bias,组成:y = x*weight + bias,这里一定是变量
#随机给一个权重和偏置,让他接下来去计算误差函数,然后再去优化,但是前提是必须是变量才能优化
weigth = tf.Variable(tf.random_normal([1,1],mean=0.0,stddev=1.0),name='w')#即使是一个数也要表示成矩阵,一行一列表示一个矩阵
bias = tf.Variable(0.0,name='b')
y_predict= tf.matmul(x,weigth) +bias;
with tf.variable_scope("loss"):#3建立损失函数
loss = tf.reduce_mean(tf.square(y_true -y_predict))
with tf.variable_scope("Optimizer"):#4.梯度下降优化损失,learning_rate一般是在0~10,越小越好通常是,最大不要超过10,然后通过minimize()来优化误差函数loss
train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)#接下来就要通过会话来运行实现了,但在这之前需要初始化变量的op
init_op =tf.global_variables_initializer()#收集tensor,为了添加变量显示
tf.summary.scalar("losser",loss)
tf.summary.histogram("weighter",weigth)#合并tensor的op,为了添加变量显示
merged =tf.summary.merge_all()#定义一个保存模型的实例,只要是定义一个op就写在会话前边
Saver =tf.train.Saver()
with tf.Session() as sess:#在后台可视化观察图结构
fileWrite = tf.summary.FileWriter("E:/python/day8/temp/summary/text/",graph=sess.graph)#接下来在终端运行tensorboard --logdir="E:/python/day8/temp/summary/text/",就会产生一个网址,在浏览器打开即可
#初始化变量
sess.run(init_op)#打印最先初始化的权重个偏置
print("最先初始化的权重:%f 和 偏置是:%f" %(weigth.eval(),bias.eval()))#最先初始化的权重:-0.475077 和 偏置是:0.000000
##运行优化,这只是训练一次的结果:优化后的权重:0.635607 和 偏置是:0.581311
#sess.run(train_op)
#循环训练,运行优化
#加载模型,从上次训练结束的位置开始
if os.path.exists("E:/python/day8/temp/ckpt/textmodel"):
Saver.restore(sess,"E:/python/day8/temp/ckpt/textmodel")for i in range(1000):
sess.run(train_op)#运行合并的tensor,为了添加变量显示
summary =sess.run(merged)#把合并的op添加到事件文件中
fileWrite.add_summary(summary,i)#打印优化后的权重和偏置
print("第%d次优化后的权重:%f 和 偏置是:%f" %(i,weigth.eval(), bias.eval()))
Saver.save(sess,"E:/python/day8/temp/ckpt/textmodel")returnNoneif __name__ == "__main__":
myLineregression()