Tensorflow笔记 tensorflow做线性回归

本系列推送主要参考: Stanford University CS20SI: Tensorflow for Deep Learning Research.

01

Tensorflow做线性回归

前面实现过最小二乘法的线性回归算法,梯度下降求解过程,详见文章:

那么,借助tensorflow如何实现最小二乘法的线性回归呢?基本的思路,首先生成拟合的数据集,然后构建线性回归的Graph,最后在Session中迭代train器,得到拟合的参数w和b,画出拟合曲线。

1.1 生成拟合的数据集,数据集只含有一个特征,注意误差项需要满足高斯分布,其分布的代码如下,首先导入3个库,

import numpy as np

import tensorflow as tf

import matplotlib.pyplot as plt

#数据点100个

num_points = 100

vectors_set = []

for i in range(num_points):

vectors_set.append([x1,y1])

#特征x

x_data = [v[0] for v in vectors_set]

#标签值y

y_data = [v[1] for v in vectors_set]

plt.scatter(x_data,y_data,c='b')

plt.show()

产生的数据分布如下所示:

1.2构建线性回归的Graph

w = tf.Variable(tf.random_uniform([1],-1.,1.),name='myw')

b = tf.Variable(tf.zeros([1]),name='myb')

#经过计算得出预估值

y = w * x_data + b

#以预估值y和实际值y_data之间的均方差作为损失

loss = tf.reduce_mean(tf.square(y-y_data,name='mysquare'), name='myloss')

#采用梯度下降法来优化参数

optimizer = tf.train.GradientDescentOptimizer(0.5)

train= optimizer.minimize(loss,name='mytrain')

1.3 在Session中运行构建好的Graph

#global_variables_initializer初始化Variable等变量

sess = tf.Session()

init = tf.global_variables_initializer()

sess.run(init)

print("w=", sess.run(w),"b=",sess.run(b),sess.run(loss))

#迭代20次train

for step in range(20):

sess.run(train)

print("w=", sess.run(w),"b=",sess.run(b),sess.run(loss))

#写入磁盘,提供tensorboard在浏览器中展示用

writer = tf.summary.FileWriter("./mytmp",sess.graph)

打印下w和b,损失值的变化情况,可以看到损失值从0.24降到0.0008.

1.4绘制拟合曲线

plt.scatter(x_data,y_data,c='b')

plt.plot(x_data,sess.run(w)*x_data+sess.run(b))

plt.show()

02

Tensorboard展示Graph

关于如何在tensorboard中展示构建好的Graph,请参考文章,不再赘述,直接分析tensorflow绘制的graph.

得到的Graph界面如下所示:

Main Graph视图放大版,数据从底部是如何经过Operators,流动到顶部的,大家可以顺一下。

以上就是在tensorflow中做基本的线性回归的基本步骤,利用这个最基本的任务,先体会下tensorflow做回归的过程。

  • 发表于:
  • 原文链接:http://kuaibao.qq.com/s/20180102G0YJZ200?refer=cp_1026

同媒体快讯

  • 有向无环图检测

    2018-10-20
  • Python 生成器

    2018-10-20
  • 机器学习 聚类算法之DBSCAN

    2018-10-20
  • Python 高阶函数

    2018-10-20
  • 循环神经网络之LSTM

    2018-10-20
  • 为什么会有它?

    2018-10-20

相关快讯

扫码关注云+社区