2018年9月12日笔记
0.检测tensorflow环境
安装tensorflow命令:pip install tensorflow
下面一段代码能够成功运行,则说明安装tensorflow环境成功。
import tensorflow as tf
hello = tf.constant('hello world')
session = tf.Session()
session.run(hello)
上面一段代码成功运行的结果如下图所示:
![10345471-ea094af8c75ef4d6.png](https://i-blog.csdnimg.cn/blog_migrate/7c5d9d6768fd2192e298b9ceab7566a2.webp?x-image-process=image/format,png)
1.数据准备
import numpy as np
w = 0.1
b = 0.3
X = np.random.rand(100).astype('float32')
y = X * w + b
第1行代码导入numpy库,起别名np;
第5行代码调用np.random.rand方法随机产生100个值处于(0,1)之间的数。
np.random.rand官方文档链接:https://docs.scipy.org/doc/numpy/reference/generated/numpy.random.rand.html
第6行代码使用了ndarray对象的广播特性,将X中的每一个值乘以w,再加上b的结果赋值给变量y。
2.搭建神经网络
Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
biases = tf.Variable(tf.zeros([1]))
predict_y = Weights * X + biases
loss = tf.reduce_mean(tf.square(predict_y - y))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)
第1、2行代码调用tf.Variable方法实例化tensorflow中的变量对象,tf.Variable方法中的参数为tensorflow中的Tensor对象;
![10345471-b817c299f43c7236.png](https://i-blog.csdnimg.cn/blog_migrate/76540f923f35792abfff5ae164eb6810.webp?x-image-process=image/format,png)
![10345471-092325f270d36ea1.png](https://i-blog.csdnimg.cn/blog_migrate/6f3ae640317a2bab5222b5f44e382d18.webp?x-image-process=image/format,png)
![10345471-1b79668d502946d1.png](https://i-blog.csdnimg.cn/blog_migrate/4830b0968f96d233db6e3a04c5e6bbfd.webp?x-image-process=image/format,png)
第3行代码将变量与特征矩阵的计算结果赋值给变量predict_y,数据类型如下图所示:
![10345471-2593bf389128d288.png](https://i-blog.csdnimg.cn/blog_migrate/4b93968d7915af7bdc8390ffc9bf69e5.webp?x-image-process=image/format,png)
第4行代码定义损失函数,等同于回归预测中的MSE,中文叫做均方误差,数据类型如下图所示:
![10345471-d37a76f2acc2c55e.png](https://i-blog.csdnimg.cn/blog_migrate/ba063891597b424fb816cc83744ad3d8.webp?x-image-process=image/format,png)
第5行代码调用tf.train库中的GradientDescentOptimizer方法实例化优化器对象,数据类型如下图所示:
![10345471-dcfa437dd528c589.png](https://i-blog.csdnimg.cn/blog_migrate/5885ae29cacc05dd70591e1676150f99.webp?x-image-process=image/format,png)
第6行代码调用优化器的minimize方法定义训练方式,参数为损失函数。方法的返回结果赋值给变量train,数据类型如下图所示:
![10345471-7840407467ea10ef.png](https://i-blog.csdnimg.cn/blog_migrate/997c30502a32c5456548e4c4a340a1e5.webp?x-image-process=image/format,png)
3.变量初始化
init = tf.global_variables_initializer()
session = tf.Session()
session.run(init)
对于神经网络模型,重要是其中的W、b这两个参数。
开始神经网络模型训练之前,这两个变量需要初始化。
第1行代码调用tf.global_variables_initializer实例化tensorflow中的Operation对象。
![10345471-675b492bd6c8bcbe.png](https://i-blog.csdnimg.cn/blog_migrate/ac34010a1903b7c58f5dd2914d955600.webp?x-image-process=image/format,png)
第2行代码调用tf.Session方法实例化会话对象;
第3行代码调用tf.Session对象的run方法做变量初始化。
4.模型训练
模型训练200次,每运行1次代码session.run(train)则模型训练1次。
在训练次数为20的整数倍时,打印训练步数、训练后更新的Weights和biases值。
for step in range(201):
session.run(train)
if step % 20 == 0:
print(step, session.run(Weights), session.run(biases))
上面一段代码的运行结果如下:
![10345471-e26cd07470e71992.png](https://i-blog.csdnimg.cn/blog_migrate/04b4997245937796153f318084d43799.webp?x-image-process=image/format,png)
5.完整代码
下面代码与前文相比,改变了w和b的值。
import tensorflow as tf
import numpy as np
w = 2
b = 0.5
X = np.random.rand(100).astype('float32')
y = X * w + b
Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
biases = tf.Variable(tf.zeros([1]))
predict_y = Weights * X + biases
loss = tf.reduce_mean(tf.square(predict_y - y))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)
init = tf.global_variables_initializer()
session = tf.Session()
session.run(init)
for step in range(201):
session.run(train)
if step % 20 == 0:
print(step, session.run(Weights), session.run(biases))
上面一段代码的运行结果如下:
0 [1.2842455] [1.2999418]
20 [1.7820456] [0.6222662]
40 [1.9463692] [0.5300854]
60 [1.9868033] [0.50740296]
80 [1.9967527] [0.5018216]
100 [1.9992009] [0.5004483]
120 [1.9998035] [0.5001102]
140 [1.9999516] [0.5000271]
160 [1.9999882] [0.5000066]
180 [1.999997] [0.50000167]
200 [1.9999994] [0.50000036]
6.总结
1.这是本文作者写的第1篇关于tensorflow的文章,加深了对tensorflow框架的理解;
2.一元一次方程回归预测是简单的回归问题,主要用于熟悉tensorflow的流程。