目的
根据数据集拟合出一个最优的模型,通过这个模型可以计算任何点的值,可以查看历史和推算未来数据的。
数据集
构建正弦曲线带有随机点的数据集
生成100个点的线性随机点
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
#训练数据和测试数据
number = 100
list_x = np.linspace(-4, 4, number)
list_y = np.sin(list_x)+np.random.uniform(-0.5, 0.5, number)
print(list_x)
print(list_y)
plt.scatter(list_x, list_y)
plt.show()
数据集散点图
数据集散点图确定拟合模型
根据散点图的分布,和明显看出来不是线性的,这里先采用多项式模型:
多项式
但是,这里面的参数w1,w2,w3和b咱们是不知道的,通过现有数据的训练,最后计算出w1,w2,w3和b达到最优解。
模型实现和训练
#初始化x和y的占位符
X = tf.placeholder(tf.float32, name='X')
Y = tf.placeholder(tf.float32, name='Y')
# 初始化 w 和 b
W = tf.Variable(tf.random_normal([1]), name='weight')
b = tf.Variable(tf.random_normal([1]), name='bias')
#多项式建模,建立op
Y_pred = tf.add(tf.multiply(X,W),b)
W2 = tf.Variable(tf.random_normal([1]), name='weight2')
Y_pred = tf.add(tf.multiply(tf.pow(X,2),W2),Y_pred)
W3 = tf.Variable(tf.random_normal([1]), name='weight3')
Y_pred = tf.add(tf.multiply(tf.pow(X,3),W3),Y_pred)
#初始化数据样本个数
n_samples = len(list_x)
#计算损失函数值
loss = tf.reduce_sum(tf.pow(Y_pred-Y, 2))/n_samples
#初始化optimizer (优化器)
#学习率
learning_rate = 0.01
#选择优化器,这里使用梯度下降算法
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss)
#指定迭代次属,并在session中执行graph
train_number = 1000
#定义初始化全部变量op
init = tf.global_variables_initializer()
with tf.Session() as sess:
#初始化全部变量
sess.run(init)
writer = tf.summary.FileWriter('./graphs', sess.graph)
#训练模型
for i in range(train_number):
total_loss = 0
for x, y in zip(list_x, list_y):
#通过feed_dict把数据喂进去 x,y in [(x1,y1),(x2,y2),...]
#这里说明下先执行了 optimier op 然后再执行 loss op 使用的数据都是feed_dict的
sess.run([optimizer, loss],feed_dict={X:x,Y:y})
#每100次输出一个训练情况
if i %100==0:
print("step %d eval loss is %f" % (i, total_loss/n_samples))
#关闭writer
writer.close()
#输出下最红的w和b
W = sess.run(W)
W2 = sess.run(W2)
W3 = sess.run(W3)
b = sess.run(b)
print(W)
print(W2)
print(W3)
print(b)
取得的W1,W2,W3和b
W1 = [0.69384557]
W2 = [0.02129303]
W3 = [-0.06366162]
b = [-0.06555262]
查看拟合情况
plt.plot(list_x, list_y, 'bo', label='real data')
plt.plot(list_x, W*list_x+W2*np.power(list_x,2)+W3*np.power(list_x,3)+b, 'r', label='predicted data')
plt.legend()
plt.show()
拟合结果图
看图片比较吻合
全代码
到github查看https://github.com/horacepei/tensorflow_study
网友评论