基于tensorflow的一元一次方程回归预测

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：

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；

image.png
image.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：

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：
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：
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：

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。

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：

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。