@。Tensorflow，纯新手入门笔记->实现简单的线性回归与Tensorboard的使用

关于Tensorboard的使用注意事项：
在summary下创建事件

filewriter = tf.summary.FileWriter("./tmp/summary/", graph=sess.graph)

1.开启Tensorboard的路径，千万不能有中文字，不然会找不到图。
2.路径是在项目路径下。
3.然后地址是画红色线部分。（复制即可）试过localhost:6006 和 127.0.0.1:6060 ，不知为何不行，
4.最好就是使用谷歌浏览器。

实现线性回归

def myregression():
    """
    自实现一个线性回归预测
    :return: None
    """
    with tf.variable_scope("data"):
        # 1、准备数据，x 特征值 [100, 1]   y 目标值[100] 
        # 这些数据都是模拟数据，都是自己填上去的，实际上这些数据肯定的从其他地方获取
        x = tf.random_normal([100, 1], mean=1.75, stddev=0.5, name="x_data")

        # 矩阵相乘必须是二维的
        y_true = tf.matmul(x, [[0.7]]) + 0.8

    with tf.variable_scope("model"):
        # 2、建立线性回归模型 1个特征，1个权重， 一个偏置 y = x w + b
        # 随机给一个权重和偏置的值，让他去计算损失，然后再当前状态下优化
        # 用变量定义才能优化
        # trainable参数：指定这个变量能跟着梯度下降一起优化
        weight = tf.Variable(tf.random_normal([1, 1], mean=0.0, stddev=1.0), name="w")
        bias = tf.Variable(0.0, name="b")

        y_predict = tf.matmul(x, weight) + bias

    with tf.variable_scope("loss"):
        # 3、建立损失函数，均方误差
        loss = tf.reduce_mean(tf.square(y_true - y_predict))

    with tf.variable_scope("optimizer"):
        # 4、梯度下降优化损失 leaning_rate: 0 ~ 1, 2, 3,5, 7, 10
        train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

    # 1、收集tensor  为了能在Tensorboard上显示
    tf.summary.scalar("losses", loss)
    tf.summary.histogram("weights", weight)

    # 定义合并tensor的op  为了能在Tensorboard上显示
    merged = tf.summary.merge_all()

    # 定义一个初始化变量的op  必须初始化一个变量op
    init_op = tf.global_variables_initializer()

    # 定义一个保存模型的实例 
    # 保存模型的原因是 当训练步数达到500000次的时候，
    # 如果在499999次突然断电，下一次又要重新训练，为了避免这种情况，那就选择每100000保存一次模型
    saver = tf.train.Saver()

    # 通过会话运行程序
    with tf.Session() as sess:
        # 初始化变量
        sess.run(init_op)

        # 打印随机最先初始化的权重和偏置
        print("随机初始化的参数权重为：%f, 偏置为：%f" % (weight.eval(), bias.eval()))

        # 建立事件文件  Tensorboard
        filewriter = tf.summary.FileWriter("./tmp/summary/test/", graph=sess.graph)

        # 加载模型，覆盖模型当中随机定义的参数，从上次训练的参数结果开始
        if os.path.exists("./tmp/ckpt/checkpoint"):  
        # 如果我在这个路径上找到有保存了的模型，那我就使用保存了的模型开始训练
            saver.restore(sess, FLAGS.model_dir)

        # 循环训练 运行优化
        for i in range(FLAGS.max_step):

            sess.run(train_op)

            # 运行合并的tensor
            summary = sess.run(merged)

            filewriter.add_summary(summary, i)

            print("第%d次优化的参数权重为：%f, 偏置为：%f" % (i, weight.eval(), bias.eval()))

        saver.save(sess, FLAGS.model_dir) 训练完毕，保存模型
    return None

tensorflow变量作用域的作用：让模型代码更加清晰，作用分明

也就是这个

自定义命令行参数 ： 可以直接在cmd上运行。

1、

2、 tf.app.flags.,在flags有一个FLAGS标志，它在程序中可以调用到我们
前面具体定义的flag_name

3、通过tf.app.run()启动main(argv)函数

使用：
1.

2.
当选择使用这个的时候，在pycharm就不能使用了，（前提下是要指定默认值，指定默认值就可以使用）