15. 深度学习——tensorflow实现线性回归和模型的保存、加载

1、tensorflow实现一个简单的线性回归案例

简单的API介绍


线性回归实现

代码

import tensorflow as tf

# 1.准备数据， x特征值[100,1]  y目标值[100](自己制造一个数据集)
# 两个参数mean是均值，stddev是方差
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,目标值也自己制作看最后的线性回归求解的w和b是0.7和0.8吗
y_true = tf.matmul(x, [[0.7]]) + 0.8

# 2.建立线性回归模型  y =x w + b(多个数据一般写x w) 1个特征， 1个权重， 一个偏置
# 随机给一个权重和偏置的值，让他去计算损失，然后在当前的状态下优化
# 用变量定义才能优化
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

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

# 4.梯度下降优化损失
train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

init = tf.global_variables_initializer()
# 通过会话运行程序
with tf.Session() as sess:
    # 初始化变量
    sess.run(init)
    # 打印随机初始化的权重和偏置
    print('初始化的权重：%f， 偏置: %f'%(weight.eval(), bias.eval()))

    # 运行优化
    sess.run(train_op)
    print('权重：%f， 偏置: %f' % (weight.eval(), bias.eval()))

结果：

这里并有循环迭代的去优化，只优化了一次。

循环优化代码

import tensorflow as tf

# 1.准备数据， x特征值[100,1]  y目标值[100](自己制造一个数据集)
# 两个参数mean是均值，stddev是方差
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,目标值也自己制作看最后的线性回归求解的w和b是0.7和0.8吗
y_true = tf.matmul(x, [[0.7]]) + 0.8

# 2.建立线性回归模型  y =x w + b(多个数据一般写x w) 1个特征， 1个权重， 一个偏置
# 随机给一个权重和偏置的值，让他去计算损失，然后在当前的状态下优化
# 用变量定义才能优化
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

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

# 4.梯度下降优化损失
train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

init = tf.global_variables_initializer()
# 通过会话运行程序
with tf.Session() as sess:
    # 初始化变量
    sess.run(init)
    # 打印随机初始化的权重和偏置
    print('初始化的权重：%f， 偏置: %f'%(weight.eval(), bias.eval()))

    # 循环训练 运行优化
    for i in range(300):
        sess.run(train_op)
        print('第 %d 次迭代的 权重：%f， 偏置: %f' % (i, weight.eval(), bias.eval()))

循环优化300次的结果很接近理想的0.7 和0.8

2.模型的保存和加载

保存模型

import tensorflow as tf

# 1.准备数据， x特征值[100,1]  y目标值[100](自己制造一个数据集)
# 两个参数mean是均值，stddev是方差
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,目标值也自己制作看最后的线性回归求解的w和b是0.7和0.8吗
y_true = tf.matmul(x, [[0.7]]) + 0.8

# 2.建立线性回归模型  y =x w + b(多个数据一般写x w) 1个特征， 1个权重， 一个偏置
# 随机给一个权重和偏置的值，让他去计算损失，然后在当前的状态下优化
# 用变量定义才能优化
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

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

# 4.梯度下降优化损失
train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

# 定义一个保存模型的实例
saver = tf.train.Saver()

init = tf.global_variables_initializer()
# 通过会话运行程序
with tf.Session() as sess:
    # 初始化变量
    sess.run(init)
    # 打印随机初始化的权重和偏置
    print('初始化的权重：%f， 偏置: %f'%(weight.eval(), bias.eval()))

    # 循环训练 运行优化
    for i in range(300):
        sess.run(train_op)
        print('第 %d 次迭代的 权重：%f， 偏置: %f' % (i, weight.eval(), bias.eval()))

    saver.save(sess, "H:/FCX/资源/黑马python全栈-人工智能/人4/线性回归模型保存/modle")

结果：

当加载模型的时候看下时候是从第299次的参数开始

代码

import tensorflow as tf
import os

# 1.准备数据， x特征值[100,1]  y目标值[100](自己制造一个数据集)
# 两个参数mean是均值，stddev是方差
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,目标值也自己制作看最后的线性回归求解的w和b是0.7和0.8吗
y_true = tf.matmul(x, [[0.7]]) + 0.8

# 2.建立线性回归模型  y =x w + b(多个数据一般写x w) 1个特征， 1个权重， 一个偏置
# 随机给一个权重和偏置的值，让他去计算损失，然后在当前的状态下优化
# 用变量定义才能优化
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

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

# 4.梯度下降优化损失
train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

# 定义一个保存模型的实例
saver = tf.train.Saver()

init = tf.global_variables_initializer()
# 通过会话运行程序
with tf.Session() as sess:
    # 初始化变量
    sess.run(init)
    # 打印随机初始化的权重和偏置
    print('初始化的权重：%f， 偏置: %f'%(weight.eval(), bias.eval()))
    # 应该优化之前加载模型参数,覆盖模型当中随机初始化的参数，从上次训练的参数结果开始
    if os.path.exists("H:/FCX/资源/黑马python全栈-人工智能/人4/线性回归模型保存/checkpoint"):
        print('加载模型参数开始------')
        saver.restore(sess, "H:/FCX/资源/黑马python全栈-人工智能/人4/线性回归模型保存/modle")

    # 循环训练 运行优化
    for i in range(300):
        sess.run(train_op)
        print('第 %d 次迭代的 权重：%f， 偏置: %f' % (i, weight.eval(), bias.eval()))

    saver.save(sess, "H:/FCX/资源/黑马python全栈-人工智能/人4/线性回归模型保存/modle")

结果：