之前我们说了一下Tensorflow的基本内容,这次我们用它来实现一些简单模型。包括线性回归模型,logistic回归,最近邻分类。
首先理顺一下思维,无论是要做什么模型,必须要有的几个是:
输入值、输出值、实际值、模型参数、损失函数。
步骤一般是 inference、loss、training。
inference指的是构建好模型,使其能够完成预测的要求。
loss指的是确定好损失函数。
training指的是对模型进行拟合。
下面我们来用线性回归,logistic回归和KNN算法来说明一下一个简单模型如何在tf中构建。
线性回归:
import tensorflow as tf
import numpy as np
# 简单的线性模型可以用y=x*w+b来表示
# 输入占位符,这个不是输入值,是拟合模型的时候代表了输入值
x=tf.placeholder('float')
# 这个不是输出值,是计算损失函数的时候用到的实际值
y=tf.placeholder('float')
# ----Inference
# 下面这两个就是模型的参数
# 权重参量
W=tf.Variable(np.random.randn(),name='weight')
# 偏移参量
b=tf.Variable(np.random.randn(),name='