基于tensorflow的一元一次方程回归预测

简介: 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。

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:


img_27f887d11dc8bb872da1888d38e667fd.png
image.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;


img_d7a81dc1107489398c90c6bdb23479ca.png
image.png

img_44f0aa38119cbcc495cff443f2ef3e1b.png
image.png

img_e4ae48b892bf99da4676c63a79f2eed5.png
image.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:


img_ebd84d639bfebe4bbef135349f5b5de5.png
image.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:
img_def550d08c4a71f3c7934a88075121a5.png
image.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:
img_2da0515d26d91437af1d0522a9d36a77.png
image.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:


img_49b98416468b369b437707535f5053b6.png
image.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。


img_eba6278c89eb8ef15ee4daee0eaab711.png
image.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:


img_71ef6eb5968dc313e38efc5c90a0639f.png
image.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。

目录
相关文章
|
Java Maven
关于 Could not find artifact ...:pom:1.0-SNAPSHOT 的问题!
关于 Could not find artifact ...:pom:1.0-SNAPSHOT 的问题!
3023 0
关于 Could not find artifact ...:pom:1.0-SNAPSHOT 的问题!
|
存储 缓存 测试技术
ZYNQ-AXI Interconnect IP介绍
ZYNQ-AXI Interconnect IP介绍
2724 0
ZYNQ-AXI Interconnect IP介绍
|
缓存 前端开发 JavaScript
解密前端性能优化:提升网页加载速度的关键策略
网页加载速度不仅影响用户体验,还对搜索引擎排名有直接影响。本文将深入探讨前端性能优化的多种策略,包括资源压缩与合并、延迟加载、CDN加速等。通过具体的优化方法和实际案例分析,读者将能够掌握提升网页性能的实用技巧,并能够在实际项目中有效地应用这些策略来实现更快的加载速度和更流畅的用户体验。
|
10月前
|
机器学习/深度学习 人工智能 算法
探索人工智能中的强化学习:原理、算法及应用
探索人工智能中的强化学习:原理、算法及应用
|
存储 边缘计算 监控
探索云计算的未来:无服务器架构的兴起与挑战
【8月更文挑战第23天】在这篇文章中,我们将深入探讨无服务器架构——一种现代的云计算执行模型,它允许开发者构建和运行应用程序和服务而无需管理服务器。我们将从基本概念出发,逐步揭示无服务器计算的核心优势、面临的挑战以及未来可能的发展方向。文章旨在为读者提供对无服务器技术全面而深刻的理解,同时激发对云原生技术未来可能性的思考。
|
JavaScript 前端开发 数据管理
|
前端开发
前端 CSS 经典:flex + margin 布局
前端 CSS 经典:flex + margin 布局
134 0
|
前端开发
css 拉伸 resize —— 实现可拉伸的div(含限制拉伸的尺寸)
css 拉伸 resize —— 实现可拉伸的div(含限制拉伸的尺寸)
690 1
|
存储 监控 Java
【C++ 并发 线程池】轻松掌握C++线程池:从底层原理到高级应用(二)
【C++ 并发 线程池】轻松掌握C++线程池:从底层原理到高级应用
535 1