TensorFlow实战入门(一）

题目一：
通过生成人工数据集合，基于TensorFlow实现y=3.1234*x+2.98线性回归（10分）

评分标准：

1、生成 x_data，值为 [0, 100]之间500个等差数列数据集合作为样本特征,
根据目标线性方程 y=3.1234x+2.98，生成相应的标签集合 y_data，1分；
2、画出随机生成数据的散点图和想要通过学习得到的目标线性函数 y=3.1234x+2.98，1分；
3、构建回归模型，3分；
4、训练模型，10轮，每训练20个样本显示损失值，2分；
5、通过训练出的模型预测 x=5.79 时 y 的值，并显示根据目标方程显示的 y 值，1分；
6、通过Tensorboard显示构建的计算图，2分。

实现代码：

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


tf.reset_default_graph()
#日志文件存放目录
logdir='D:/log'

#设置随机数种子
np.random.seed(8)

#第一步：准备数据
#生成500个样本特征，采用等差数列，取值在[0,100]
x_data=np.linspace(0,100,500)
#根据目标线性方程 y=3.1234*x+2.98+噪声，生成相应的标签集合 y_data
y_data=3.1234*x_data+2.98+np.random.randn(*x_data.shape)*0.9
#画出随机生成数据的散点图
plt.scatter(x_data,y_data)
#画出我们想要学习到的目标函数： y=3.1234*x+2.98
plt.plot(x_data,3.1234*x_data+2.98,color='red',linewidth=1)
#plt.show()

#第二步：构建模型
#定义数据的占位符，x是特征值，y是标签值
x=tf.placeholder('float',name='x')
y=tf.placeholder('float',name='y')

#定义模型
def model(x,w,b):
    return tf.multiply(x,w)+b

#定义模型结构
#构建线性函数的斜率,变量w
w=tf.Variable(2.5,name='w0')
#构建线性函数的截距，变量b
b=tf.Variable(2.0,name='b0')
#pred是预测值，前向计算
pred=model(x,w,b)

#第三步：训练模型
#设置训练轮次
train_epochs=10
#设置学习率,一般设置0.1~0.01之间的值
learning_rate=0.0001
#采用均方差作为损失函数
loss_function=tf.reduce_mean(tf.square(y-pred))
#定义优化器
#梯度下降优化器,优化目标是最小损失
optimizer=tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)
#声明会话
sess=tf.Session()
#初始化所有变量
init=tf.global_variables_initializer()
sess.run((init))

#开始训练，轮数为epochs,采用SGD随机梯度下降优化方法
step=0 #记录训练步数
loss_list=[]  #用于保存loss值的列表
#设置迭代轮次
for epoch in range(train_epochs):
    for xs,ys in zip(x_data,y_data):
        _,loss=sess.run([optimizer,loss_function],feed_dict={x:xs,y:ys})
        #将每一次的损失值放入列表
        loss_list.append(loss)
        step=step+1
        #每训练20个样本输出一次损失值
        display_step=20
        if step % display_step==0:
            print("Train Epoch:%02d"%(epoch+1),"Step:%04d"%step,"loss=","{:.9f}".format(loss))
    #每一轮训练完，有一个w,b值
    b0temp=b.eval(session=sess)
    w0temp=w.eval(session=sess)
    #画出训练模型
    #plt.plot(x_data,w0temp*x_data+b0temp)


plt.scatter(x_data,y_data,label='Original data')
#显示训练好的模型
plt.plot(x_data,x_data*sess.run(w)+sess.run(b),\
         label='Fitted line',color='r',linewidth=1)
#通过参数loc指定图例位置
plt.legend(loc=2)
plt.show()
#plt.plot(loss_list)

print('最后w和b的值为：')
print('w:',sess.run(w))
print('b:',sess.run(b))

#第四步：利用模型进行预测
x_test=5.79
predict=sess.run(pred,feed_dict={x:x_test})
print('预测值：%f'% predict)
target=3.1234*x_test+2.98
print('目标值：%f' % target)
#生成一个写日记的writer
writer=tf.summary.FileWriter(logdir,tf.get_default_graph())
writer.close()

运行结果：



遇到困难及解决办法：

训练过程，出现loss=NAN的问题。

原因：如果在迭代的100轮以内，出现NaN，一般情况下的原因是因为学习率过高，需要降低学习率。我们可以不断降低学习率直至不出现NaN为止，一般来说低于现有学习率1→10倍即可

我的解决办法：
最开始我的学习率是：learning_rate=0.05
最后通过不断调试，将学习率设置为：learning_rate=0.0001，就解决NAN问题。