TensorFlow介绍二-线性回归案例

2024-09-04 05:52

本文主要是介绍TensorFlow介绍二-线性回归案例,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

一.案例步骤

1.准备数据集:y=0.8x+0.7  100个样本

2.建立线性模型,初始化w和b变量

3.确定损失函数(预测值与真实值之间的误差),均方误差

4.梯度下降优化损失

二.完整功能代码:

import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
import tensorflow as tfdef linear_regression():"""自实现线性回归:return: None"""# 构造数据X为一百行一列X = tf.random_normal(shape=(100, 1), mean=2, stddev=2)# 真实值,y=x*0.8+0.7,这里X为tf.tensor数据在乘的时候要使用二维数据y_true = tf.matmul(X, [[0.8]]) + 0.7# 使用Variable初始化w,b,因为w和b要参与更新所有要使用变量。trainable是设置这个变量是否参与训练weights = tf.Variable(initial_value=tf.random_normal(shape=(1, 1)),trainable=True)bias = tf.Variable(initial_value=tf.random_normal(shape=(1, 1)),trainable=True)# 构造预测值,使用X乘上更新后的变量w加上by_predict = tf.matmul(X, weights) + bias# 计算均方误差,用真实值减去预测值的平方,因为这是一百个数据,使用要求它的平均值error = tf.reduce_mean(tf.square(y_predict - y_true))# 构建优化器,这里使用的是梯度下降优化误差来更新w和b,0.01是学习率optimizer = tf.train.GradientDescentOptimizer(0.01).minimize(error)# 初始化变量init = tf.global_variables_initializer()with tf.Session() as sess:  # 会话# 运行初始化变量opsess.run(init)# 打印一下初始化的权重和偏置print("随机初始化的权重为%f, 偏置为%f" % (weights.eval(), bias.eval()))# 开始训练,训练的次数越多越接近真实值for i in range(100):sess.run(optimizer)# 打印每一次更新后的权重,偏置,误差print("第%d步的误差为%f,权重为%f, 偏置为%f" % (i, error.eval(), weights.eval(), bias.eval()))return Noneif __name__ == '__main__':linear_regression()

三.增加其他功能

1.增加命名空间

使代码结构更加清晰,Tensorboard图结构更加清楚,

使用tf.variable_scope方法,里面的名字自己定义

with tf.variable_scope("lr_model"):

2.收集变量

这样更容易观察参数的更新情况 

3.写入事件

使用tensorboard观察,在命令行中切换到事件所在文件目录,使用命令:

tensorboard --logdir="事件所在的文件目录"

import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
import tensorflow as tfdef linear_regression():"""自实现线性回归:return: None"""# 构造数据X为一百行一列with tf.variable_scope("original_data"):  # 表示正在创建数据X = tf.random_normal(shape=(100, 1), mean=2, stddev=2)# 真实值,y=x*0.8+0.7,这里X为tf.tensor数据在乘的时候要使用二维数据y_true = tf.matmul(X, [[0.8]]) + 0.7with tf.variable_scope("linear_model"): # 初始化变量# 使用Variable初始化w,b,因为w和b要参与更新所有要使用变量。trainable是设置这个变量是否参与训练weights = tf.Variable(initial_value=tf.random_normal(shape=(1, 1)),trainable=True)bias = tf.Variable(initial_value=tf.random_normal(shape=(1, 1)),trainable=True)# 构造预测值,使用X乘上更新后的变量w加上by_predict = tf.matmul(X, weights) + biaswith tf.variable_scope("loss"):  # 确定误差# 计算均方误差,用真实值减去预测值的平方,因为这是一百个数据,使用要求它的平均值error = tf.reduce_mean(tf.square(y_predict - y_true))with tf.variable_scope("gd_optimizer"):  # 构建优化器# 构建优化器,这里使用的是梯度下降优化误差来更新w和b,0.01是学习率optimizer = tf.train.GradientDescentOptimizer(0.01).minimize(error)# 收集变量tf.summary.scalar("error", error)tf.summary.histogram("weights", weights)tf.summary.histogram("bias", bias)# 合并变量merge=tf.summary.merge_all()# 初始化变量init = tf.global_variables_initializer()with tf.Session() as sess:  # 会话# 运行初始化变量opsess.run(init)# 打印一下初始化的权重和偏置print("随机初始化的权重为%f, 偏置为%f" % (weights.eval(), bias.eval()))# 创建事件文件,将事件写入到ligdir中的目录中file_writer=tf.summary.FileWriter(logdir="./summary",graph=sess.graph)# 开始训练,训练的次数越多越接近真实值for i in range(100):sess.run(optimizer)# 打印每一次更新后的权重,偏置,误差print("第%d步的误差为%f,权重为%f, 偏置为%f" % (i, error.eval(), weights.eval(), bias.eval()))# 运行合并变量opsummary=sess.run(merge)file_writer.add_summary(summary,i)return Noneif __name__ == '__main__':linear_regression()

 四.模型的保存和加载

tf.train.Saver(var_list=None,max_to_keep=5)

保存和加载模型(保存文件格式:checkpoint文件)
var_list:指定将要保存和还原的变量。它可以作为一个dict或一个列表传递.
max_to_keep:指示要保留的最近检查点文件的最大数量。创建新文件时,会删除较旧的文件。如果无或0,则保留所有检查点文件。默认为5(即保留最新的5个检查点文件。)

例如

# 指定目录+模型名字
# 保存
saver.save(sess, '/tmp/ckpt/test/myregression.ckpt')
# 加载
saver.restore(sess, '/tmp/ckpt/test/myregression.ckpt')

如果判断模型是否存在,直接指定目录

checkpoint = tf.train.latest_checkpoint("./tmp/model/")saver.restore(sess, checkpoint)

五.命令行参数使用

1.tf.app.flags,它支持应用从命令行接收参数,可以用来指定集训配置等,在tf.app.flags下面各种定义参数的类型

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

# 定义一些常用的命令行参数
# 训练步数
tf.app.flags.DEFINE_integer("max_step", 0, "训练模型的步数")
# 定义模型的路径
tf.app.flags.DEFINE_string("model_dir", " ", "模型保存的路径+模型名字")# 定义获取命令行参数
FLAGS = tf.app.flags.FLAGS# 开启训练
# 训练的步数(依据模型大小而定)
for i in range(FLAGS.max_step):sess.run(train_op)

六.完整代码

import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
import tensorflow as tf# 模型保存
tf.app.flags.DEFINE_string("model_path", "./linear_regression/", "模型保存的路径和文件名")
FLAGS = tf.app.flags.FLAGSdef linear_regression():"""自实现线性回归:return: None"""# 构造数据X为一百行一列with tf.variable_scope("original_data"):  # 表示正在创建数据X = tf.random_normal(shape=(100, 1), mean=2, stddev=2)# 真实值,y=x*0.8+0.7,这里X为tf.tensor数据在乘的时候要使用二维数据y_true = tf.matmul(X, [[0.8]]) + 0.7with tf.variable_scope("linear_model"): # 初始化变量# 使用Variable初始化w,b,因为w和b要参与更新所有要使用变量。trainable是设置这个变量是否参与训练weights = tf.Variable(initial_value=tf.random_normal(shape=(1, 1)),trainable=True)bias = tf.Variable(initial_value=tf.random_normal(shape=(1, 1)),trainable=True)# 构造预测值,使用X乘上更新后的变量w加上by_predict = tf.matmul(X, weights) + biaswith tf.variable_scope("loss"):  # 确定误差# 计算均方误差,用真实值减去预测值的平方,因为这是一百个数据,使用要求它的平均值error = tf.reduce_mean(tf.square(y_predict - y_true))with tf.variable_scope("gd_optimizer"):  # 构建优化器# 构建优化器,这里使用的是梯度下降优化误差来更新w和b,0.01是学习率optimizer = tf.train.GradientDescentOptimizer(0.01).minimize(error)# 收集变量tf.summary.scalar("error", error)tf.summary.histogram("weights", weights)tf.summary.histogram("bias", bias)# 合并变量merge=tf.summary.merge_all()# 初始化变量init = tf.global_variables_initializer()with tf.Session() as sess:  # 会话# 运行初始化变量opsess.run(init)# 打印一下初始化的权重和偏置print("随机初始化的权重为%f, 偏置为%f" % (weights.eval(), bias.eval()))# 创建事件文件,将事件写入到ligdir中的目录中file_writer=tf.summary.FileWriter(logdir="./summary",graph=sess.graph)# 开始训练,训练的次数越多越接近真实值for i in range(100):sess.run(optimizer)# 打印每一次更新后的权重,偏置,误差print("第%d步的误差为%f,权重为%f, 偏置为%f" % (i, error.eval(), weights.eval(), bias.eval()))# 运行合并变量opsummary=sess.run(merge)file_writer.add_summary(summary,i)return Nonedef main(argv):print("这是main函数")print(argv)print(FLAGS.model_path)linear_regression()if __name__ == '__main__':tf.app.run()

都看到这里了,点个赞呗!!!!!

这篇关于TensorFlow介绍二-线性回归案例的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1135184

相关文章

PostgreSQL的扩展dict_int应用案例解析

《PostgreSQL的扩展dict_int应用案例解析》dict_int扩展为PostgreSQL提供了专业的整数文本处理能力,特别适合需要精确处理数字内容的搜索场景,本文给大家介绍PostgreS... 目录PostgreSQL的扩展dict_int一、扩展概述二、核心功能三、安装与启用四、字典配置方法

Python中win32包的安装及常见用途介绍

《Python中win32包的安装及常见用途介绍》在Windows环境下,PythonWin32模块通常随Python安装包一起安装,:本文主要介绍Python中win32包的安装及常见用途的相关... 目录前言主要组件安装方法常见用途1. 操作Windows注册表2. 操作Windows服务3. 窗口操作

Python中re模块结合正则表达式的实际应用案例

《Python中re模块结合正则表达式的实际应用案例》Python中的re模块是用于处理正则表达式的强大工具,正则表达式是一种用来匹配字符串的模式,它可以在文本中搜索和匹配特定的字符串模式,这篇文章主... 目录前言re模块常用函数一、查看文本中是否包含 A 或 B 字符串二、替换多个关键词为统一格式三、提

c++中的set容器介绍及操作大全

《c++中的set容器介绍及操作大全》:本文主要介绍c++中的set容器介绍及操作大全,本文通过实例代码给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友参考下吧... 目录​​一、核心特性​​️ ​​二、基本操作​​​​1. 初始化与赋值​​​​2. 增删查操作​​​​3. 遍历方

Python中Tensorflow无法调用GPU问题的解决方法

《Python中Tensorflow无法调用GPU问题的解决方法》文章详解如何解决TensorFlow在Windows无法识别GPU的问题,需降级至2.10版本,安装匹配CUDA11.2和cuDNN... 当用以下代码查看GPU数量时,gpuspython返回的是一个空列表,说明tensorflow没有找到

Python get()函数用法案例详解

《Pythonget()函数用法案例详解》在Python中,get()是字典(dict)类型的内置方法,用于安全地获取字典中指定键对应的值,它的核心作用是避免因访问不存在的键而引发KeyError错... 目录简介基本语法一、用法二、案例:安全访问未知键三、案例:配置参数默认值简介python是一种高级编

MySQL中的索引结构和分类实战案例详解

《MySQL中的索引结构和分类实战案例详解》本文详解MySQL索引结构与分类,涵盖B树、B+树、哈希及全文索引,分析其原理与优劣势,并结合实战案例探讨创建、管理及优化技巧,助力提升查询性能,感兴趣的朋... 目录一、索引概述1.1 索引的定义与作用1.2 索引的基本原理二、索引结构详解2.1 B树索引2.2

从入门到精通MySQL 数据库索引(实战案例)

《从入门到精通MySQL数据库索引(实战案例)》索引是数据库的目录,提升查询速度,主要类型包括BTree、Hash、全文、空间索引,需根据场景选择,建议用于高频查询、关联字段、排序等,避免重复率高或... 目录一、索引是什么?能干嘛?核心作用:二、索引的 4 种主要类型(附通俗例子)1. BTree 索引(

HTML中meta标签的常见使用案例(示例详解)

《HTML中meta标签的常见使用案例(示例详解)》HTMLmeta标签用于提供文档元数据,涵盖字符编码、SEO优化、社交媒体集成、移动设备适配、浏览器控制及安全隐私设置,优化页面显示与搜索引擎索引... 目录html中meta标签的常见使用案例一、基础功能二、搜索引擎优化(seo)三、社交媒体集成四、移动

HTML img标签和超链接标签详细介绍

《HTMLimg标签和超链接标签详细介绍》:本文主要介绍了HTML中img标签的使用,包括src属性(指定图片路径)、相对/绝对路径区别、alt替代文本、title提示、宽高控制及边框设置等,详细内容请阅读本文,希望能对你有所帮助... 目录img 标签src 属性alt 属性title 属性width/h