深度学习与TensorFlow的小日子（二）

本系列专门用来记录我的深度学习历程，其中代码大部分均出自于李金洪老师的《深度学习之TensorFlow》，希望所有机器学习的道友都能有所知、有所得。

本章主要内容是保存/载入线性回归模型

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

plotdata = {"batchsize": [], "loss": []}
def moving_average(a, w=10):
    if len(a) < w:
        return a[:]
    return [val if idx < w else sum(a[(idx - w):idx]) / w for idx, val in enumerate(a)]

1.准备数据

train_X = np.linspace(-1, 1, 100)
train_Y = 2 * train_X + np.random.randn(*train_X.shape) * 0.3  # 加入噪声

# 显示模拟数据点

plt.plot(train_X, train_Y, 'ro', label='Original data')
plt.legend()  # 显示图例
plt.show()  # 显示图

##重置图
tf.reset_default_graph()

2.创建模型

2.1正向搭建模型

    X = tf.placeholder("float")# 占位符
    Y = tf.placeholder("float")

# 模型参数

    W = tf.Variable(tf.random_normal([1]), name="weight")  # W被初始化成[-1,1]的随机数，形状为一维
    b = tf.Variable(tf.zeros([1]), name="bias")  # b被初始化为0，形状也为一维

# 前向结构
z = tf.multiply(X, W) + b

2.2反向搭建模型

cost = tf.reduce_mean(tf.square(Y - z))
learning_rate = 0.01
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)  # 梯度下降

3.迭代训练模型

#初始化所有变量
init = tf.global_variables_initializer()
# 定义参数
training_epochs = 20
display_step = 2

##生成saver及模型的路径
saver = tf.train.Saver()
savedir = "log/"

# 启动session
# with tf.Session() as sess:
#     sess.run(init)
#     ##在这里添加sess中的训练代码
#     plotdata={"batchsize": [], "loss": []}
#     # 向模型输入数据
#     for epoch in range(training_epochs):
#         for (x, y) in zip(train_X, train_Y):
#             sess.run(optimizer, feed_dict={X: x, Y: y})
#
#         # 显示训练中的详细信息
#         if epoch % display_step == 0:
#             loss = sess.run(cost, feed_dict={X: train_X, Y: train_Y})
#             print("EPOCH:", epoch + 1, "cost=", loss, "W=", sess.run(W), "b=", sess.run(b))
#             if not (loss == "NA"):
#                 plotdata["batchsize"].append(epoch)
#                 plotdata["loss"].append(loss)
#
#     print("Finished!")
#     saver.save(sess,savedir+"linermodel.cpkt")
#     print("cost=", sess.run(cost, feed_dict={X: train_X, Y: train_Y}), 'W=', sess.run(W), "b=", sess.run(b))

4.训练模型可视化

#     plt.plot(train_X, train_Y, 'ro', label='Original data')
#     plt.plot(train_X, sess.run(W) * train_X + sess.run(b), label='Fittedline')
#     plt.legend()
#     plt.show()
#
#     plotdata["avgloss"] = moving_average(plotdata["loss"])
#     plt.figure(1)
#     plt.subplot(211)
#     plt.plot(plotdata["batchsize"], plotdata["avgloss"], 'b--')
#     plt.xlabel('Minibatch number')
#     plt.ylabel('Loss')
#     plt.title('Minibatch run vs. Training loss')
#
#     plt.show()

5.使用模型

#     print("x=0.2,z=",sess.run(z,feed_dict={X:0.2}))

6.使用保存的模型

with tf.Session() as sess2:
    sess2.run(tf.global_variables_initializer())
    saver.restore(sess2,savedir+"linermodel.cpkt")
    print("x=0.2,z=",sess2.run(z,feed_dict={X:0.2}))