前言
这是使用tensorflow 搭建一个简单的回归模型，用于熟悉tensorflow的基本操作和使用方法。
模型说明
这是一个简单的线性回归模型
image.png
损失函数是均方误差
image.png
这个有机器学习基础的同学应该很熟悉了。
模型数据
造的假的
# 训练数据
train_X = np.asarray([3.3, 4.4, 5.5, 6.71, 6.93, 4.168, 9.779, 6.182, 7.59, 2.167,
7.042, 10.791, 5.313, 7.997, 5.654, 9.27, 3.1])
train_Y = np.asarray([1.7, 2.76, 2.09, 3.19, 1.694, 1.573, 3.366, 2.596, 2.53, 1.221,
2.827, 3.465, 1.65, 2.904, 2.42, 2.94, 1.3])
n=train_X.shape[0]
模型构建
根据之前说的tensorflow构建模型思路。
1、构造图节点
2、创建会话
构造图的节点
#定义两个变量的op占位符
X=tf.placeholder("float")
Y=tf.placeholder("float")
初始化权重w和偏置b
#初始化w,b
W=tf.Variable(random.random(),name="weight")
b=tf.Variable(random.random(),name="bias")
根据线性模型公式
y=wx+b
构造运算op
#初始化模型 pred op
pred=tf.add(tf.multiply(X,W),b)
根据损失函数做出COST op
#初始化cost op
cost=tf.reduce_sum(tf.pow(pred-Y,2))/(2*n)
初始化模型参数
#初始化模型参数
learning_rate=0.01
training_epochs=1000
display_step=50
构建梯度下降的op
#构建梯度下降op
optimizer=tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)
训练模型要初始化所有的op(这个op在会话一开始就运行，只是初始化而已)
#初始化所有变量 op
init=tf.global_variables_initializer()
我们构造的计算图为
image.png
好了我们的图构造好了。可以创建会话进行运算了。会话可以自动帮我们找依赖关系，所以我们不用一个一个进行计算了。
创建会话
我们明确一下会话执行步骤
1、执行一次init op
2 、执行GD
结束了。。因为会自动帮我们找到依赖，所以我们只需要执行最后一个op即可。
#使用session 启动默认图
with tf.Session() as sess:
sess.run(init) #初始化
for epoch in range(training_epochs):
for (x,y) in zip(train_X,train_Y):
sess.run(optimizer,feed_dict={X:train_X,Y:train_Y})
#上面就已经结束了。计算一下cost 、w、b的值
print ("optimization Finished")
training_cost = sess.run(cost,feed_dict={X:train_X,Y:train_Y})
print ("Training cost=",training_cost,"W=",sess.run(W),"b=",sess.run(b),"\n")
#画图
plt.plot(train_X,train_Y,'ro',label="Original data")
plt.plot(train_X,sess.run(W)*train_X+sess.run(b),label="Fitted line")
plt.legend()
plt.show()
image.png
是不是so easy
