线性回归：w1x1+w2x2+w3x3+......+wnxn+bias(这是一个偏移量)，我们采用的算法是：线性回归，策略是：均方误差，优化是：梯度下降API,
1.转准备好实验的数据：100个数据，每一个有一个特征值，所以形成一个【100,1】的列表，在准备一个目标函数：y=0.8x+0.7那么怎么知道为什么是0.8和0.7呢，这是我们假设的
2.建立一个模型，需要我们随机生成两个参数，一个是权重w一个是偏置b ， y_predict = x * w + b,需要注意的是这个模型的参数必须要用变量来定义
3.求损失误差，我们求的是均方误差，公式是：（（y1-y1'）^2+（y2-y2'）^2+.......+(y100-y100'）^2)/100
4.接下来就是利用梯度下降来优化误差，这个梯度下降是tensorflow里边自己实现的，我们只需要指定一个学习率就行了
Tensorflow运算的API
矩阵运算：tf.matmul(x,w)
平方运算：tf.square(参数1)
均值运算：tf.reduce_mean(参数1)
梯度下降API: tf.train.GradientDescentOptimizer(learning_rate);这是一个梯度下降优化器，learn_rate一般是method:minimize(loss)，返回一个梯度下降的op
import tensorflow as tf import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'#把报错的这个警告等级降低 def myLineregression(): #1.准备数据，x是100行1列的矩阵，y是一个目标值，100行 x = tf.random_normal([100,1],mean = 1.75,stddev=0.5,name="x_data") y_true = tf.matmul(x,[[0.7]]) + 0.8 #其中这个0.7和0.8是不知道的，在这里我们假设我们知道了 #2.建立回归模型，1个特征值x 1个权重weight，一个偏置bias，组成：y = x*weight + bias,这里一定是变量 #随机给一个权重和偏置，让他接下来去计算误差函数，然后再去优化，但是前提是必须是变量才能优化 weigth = tf.Variable(tf.random_normal([1,1],mean=0.0,stddev=1.0),name='w')#即使是一个数也要表示成矩阵，一行一列表示一个矩阵 bias = tf.Variable(0.0,name='b') y_predict = tf.matmul(x,weigth) + bias; #3建立损失函数 loss = tf.reduce_mean(tf.square(y_true - y_predict)) #4.梯度下降优化损失,learning_rate一般是在0~10,越小越好通常是，最大不要超过10，然后通过minimize()来优化误差函数loss train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss) #接下来就要通过会话来运行实现了，但在这之前需要初始化变量的op init_op = tf.global_variables_initializer() with tf.Session() as sess: #初始化变量 sess.run(init_op) #打印最先初始化的权重个偏置 print("最先初始化的权重：%f 和 偏置是：%f" %(weigth.eval(),bias.eval()))#最先初始化的权重：-0.475077 和 偏置是：0.000000 # #运行优化,这只是训练一次的结果：优化后的权重：0.635607 和 偏置是：0.581311 # sess.run(train_op) #循环训练，运行优化,优化1000次，越多越精确，越接近我们的假设值 for i in range(1000): sess.run(train_op) #打印优化后的权重和偏置 print("第%d次优化后的权重：%f 和 偏置是：%f" % (i,weigth.eval(), bias.eval())) return None if __name__ == "__main__": myLineregression()
.......
那么你可能有一个疑问，为什么weight和bias会一直变化呢，因为他两是tf.Variable类型的，在Variable()最后一个参数是trainable默认是True，如果你指定他是False的话，weight和bias就不会随着我们梯度变化来变化了
我们接下来用变量作用域来实现一下：这样的作用有两个：第一：使得我们的代码更加爽目；第二：使得我们后台显示很流畅，否则可能会有点凌乱
import tensorflow as tf import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'#把报错的这个警告等级降低 def myLineregression(): with tf.variable_scope("data"): #1.准备数据，x是100行1列的矩阵，y是一个目标值，100行 x = tf.random_normal([100,1],mean = 1.75,stddev=0.5,name="x_data") y_true = tf.matmul(x,[[0.7]]) + 0.8 #其中这个0.7和0.8是不知道的，在这里我们假设我们知道了 with tf.variable_scope("model"): #2.建立回归模型，1个特征值x 1个权重weight，一个偏置bias，组成：y = x*weight + bias,这里一定是变量 #随机给一个权重和偏置，让他接下来去计算误差函数，然后再去优化，但是前提是必须是变量才能优化 weigth = tf.Variable(tf.random_normal([1,1],mean=0.0,stddev=1.0),name='w')#即使是一个数也要表示成矩阵，一行一列表示一个矩阵 bias = tf.Variable(0.0,name='b') y_predict = tf.matmul(x,weigth) + bias; with tf.variable_scope("loss"): #3建立损失函数 loss = tf.reduce_mean(tf.square(y_true - y_predict)) with tf.variable_scope("Optimizer"): #4.梯度下降优化损失,learning_rate一般是在0~10,越小越好通常是，最大不要超过10，然后通过minimize()来优化误差函数loss train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss) #接下来就要通过会话来运行实现了，但在这之前需要初始化变量的op init_op = tf.global_variables_initializer() with tf.Session() as sess: #在后台可视化观察图结构 fileWrite = tf.summary.FileWriter("E:/python/day8/temp/summary/text/",graph=sess.graph) #接下来在终端运行tensorboard --logdir="E:/python/day8/temp/summary/text/",就会产生一个网址，在浏览器打开即可 #初始化变量 sess.run(init_op) #打印最先初始化的权重个偏置 print("最先初始化的权重：%f 和 偏置是：%f" %(weigth.eval(),bias.eval()))#最先初始化的权重：-0.475077 和 偏置是：0.000000 # #运行优化,这只是训练一次的结果：优化后的权重：0.635607 和 偏置是：0.581311 # sess.run(train_op) #循环训练，运行优化 for i in range(1000): sess.run(train_op) #打印优化后的权重和偏置 print("第%d次优化后的权重：%f 和 偏置是：%f" % (i,weigth.eval(), bias.eval())) return None if __name__ == "__main__": myLineregression()
后台样式：
但是在大多数的时候我们需要观察我们变量的变化图示，这时候我们需要添加变量显示 ，步骤如下：
添加变量显示的目的：观察模型的参数，损失值等变量值的变化
第一步骤：收集变量,有下列三种函数，任选一中
tf.summary.scalar(name="",tensor)；name是你需要把他显示成什么名字的别名，tensor就是你显示的张量
tf.summary.histogram(name="",tensor);收集高纬度的变量参数
tf.summary.image(name="",tensor);收集输入图片张量能显示图片
第二步骤：合并变量并写入到事件文件中，下列函数按步骤来，都要写！
merged = tf.summary.merge_all() #合并变量，这一步往往写在会话运行前
summary = sess.run(merged )；每次运行的时候都需要运行
FileWrite.add_summary(summary,i);i表示第几次的值
代码如下：
import tensorflow as tf import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'#把报错的这个警告等级降低 def myLineregression(): with tf.variable_scope("data"): #1.准备数据，x是100行1列的矩阵，y是一个目标值，100行 x = tf.random_normal([100,1],mean = 1.75,stddev=0.5,name="x_data") y_true = tf.matmul(x,[[0.7]]) + 0.8 #其中这个0.7和0.8是不知道的，在这里我们假设我们知道了 with tf.variable_scope("model"): #2.建立回归模型，1个特征值x 1个权重weight，一个偏置bias，组成：y = x*weight + bias,这里一定是变量 #随机给一个权重和偏置，让他接下来去计算误差函数，然后再去优化，但是前提是必须是变量才能优化 weigth = tf.Variable(tf.random_normal([1,1],mean=0.0,stddev=1.0),name='w')#即使是一个数也要表示成矩阵，一行一列表示一个矩阵 bias = tf.Variable(0.0,name='b') y_predict = tf.matmul(x,weigth) + bias; with tf.variable_scope("loss"): #3建立损失函数 loss = tf.reduce_mean(tf.square(y_true - y_predict)) with tf.variable_scope("Optimizer"): #4.梯度下降优化损失,learning_rate一般是在0~10,越小越好通常是，最大不要超过10，然后通过minimize()来优化误差函数loss train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss) #接下来就要通过会话来运行实现了，但在这之前需要初始化变量的op init_op = tf.global_variables_initializer() #收集tensor，为了添加变量显示 tf.summary.scalar("losser",loss) tf.summary.histogram("weighter",weigth) #合并tensor的op，为了添加变量显示 merged = tf.summary.merge_all() with tf.Session() as sess: #在后台可视化观察图结构 fileWrite = tf.summary.FileWriter("E:/python/day8/temp/summary/text/",graph=sess.graph) #接下来在终端运行tensorboard --logdir="E:/python/day8/temp/summary/text/",就会产生一个网址，在浏览器打开即可 #初始化变量 sess.run(init_op) #打印最先初始化的权重个偏置 print("最先初始化的权重：%f 和 偏置是：%f" %(weigth.eval(),bias.eval()))#最先初始化的权重：-0.475077 和 偏置是：0.000000 # #运行优化,这只是训练一次的结果：优化后的权重：0.635607 和 偏置是：0.581311 # sess.run(train_op) #循环训练，运行优化 for i in range(1000): sess.run(train_op) #运行合并的tensor，为了添加变量显示 summary = sess.run(merged) #把合并的op添加到事件文件中 fileWrite.add_summary(summary,i) #打印优化后的权重和偏置 print("第%d次优化后的权重：%f 和 偏置是：%f" % (i,weigth.eval(), bias.eval())) return None if __name__ == "__main__": myLineregression()
有时候我们训练的数据相当的多，就会出现down 机的现象，这会使得我们之前训练很久的数据丢失，当你再次训练的时候又要重新开始，这是很浪费时间的，这时候我们要是有down机前的数据就好了，tensorflow就提供了这种模型保存和加载的功能。让我们看看怎么实现的吧。
函数：
1.Saver = tf.train.Saver(var_list,max_to_keep=5);var_list表示要保存和还原的变量，他可以作为一个列表或者字典来传递，max_to_keep要保留的最近检查点文件的最大数量，创建新文件时会删除旧文件，默认为5，如果是0则表示保留所有的检查点文件
举个栗子：
Saver.save(sess,"保存检查点文件的路径");
在上次训练结束的位置开始训练：Saver.restore(sess,"保存检查点文件的路径")
你会发现会把上次训练结束的数据保存到一个叫checkpoint的文件中
import tensorflow as tf import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'#把报错的这个警告等级降低 def myLineregression(): with tf.variable_scope("data"): #1.准备数据，x是100行1列的矩阵，y是一个目标值，100行 x = tf.random_normal([100,1],mean = 1.75,stddev=0.5,name="x_data") y_true = tf.matmul(x,[[0.7]]) + 0.8 #其中这个0.7和0.8是不知道的，在这里我们假设我们知道了 with tf.variable_scope("model"): #2.建立回归模型，1个特征值x 1个权重weight，一个偏置bias，组成：y = x*weight + bias,这里一定是变量 #随机给一个权重和偏置，让他接下来去计算误差函数，然后再去优化，但是前提是必须是变量才能优化 weigth = tf.Variable(tf.random_normal([1,1],mean=0.0,stddev=1.0),name='w')#即使是一个数也要表示成矩阵，一行一列表示一个矩阵 bias = tf.Variable(0.0,name='b') y_predict = tf.matmul(x,weigth) + bias; with tf.variable_scope("loss"): #3建立损失函数 loss = tf.reduce_mean(tf.square(y_true - y_predict)) with tf.variable_scope("Optimizer"): #4.梯度下降优化损失,learning_rate一般是在0~10,越小越好通常是，最大不要超过10，然后通过minimize()来优化误差函数loss train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss) #接下来就要通过会话来运行实现了，但在这之前需要初始化变量的op init_op = tf.global_variables_initializer() #收集tensor，为了添加变量显示 tf.summary.scalar("losser",loss) tf.summary.histogram("weighter",weigth) #合并tensor的op，为了添加变量显示 merged = tf.summary.merge_all() #定义一个保存模型的实例,只要是定义一个op就写在会话前边 Saver = tf.train.Saver() with tf.Session() as sess: #在后台可视化观察图结构 fileWrite = tf.summary.FileWriter("E:/python/day8/temp/summary/text/",graph=sess.graph) #接下来在终端运行tensorboard --logdir="E:/python/day8/temp/summary/text/",就会产生一个网址，在浏览器打开即可 #初始化变量 sess.run(init_op) #打印最先初始化的权重个偏置 print("最先初始化的权重：%f 和 偏置是：%f" %(weigth.eval(),bias.eval()))#最先初始化的权重：-0.475077 和 偏置是：0.000000 # #运行优化,这只是训练一次的结果：优化后的权重：0.635607 和 偏置是：0.581311 # sess.run(train_op) #循环训练，运行优化 #加载模型，从上次训练结束的位置开始 if os.path.exists("E:/python/day8/temp/ckpt/textmodel"): Saver.restore(sess,"E:/python/day8/temp/ckpt/textmodel") for i in range(1000): sess.run(train_op) #运行合并的tensor，为了添加变量显示 summary = sess.run(merged) #把合并的op添加到事件文件中 fileWrite.add_summary(summary,i) #打印优化后的权重和偏置 print("第%d次优化后的权重：%f 和 偏置是：%f" % (i,weigth.eval(), bias.eval())) Saver.save(sess,"E:/python/day8/temp/ckpt/textmodel") return None if __name__ == "__main__": myLineregression()