tensorflow训练线性回归模型

tensorflow安装

tensorflow安装过程不是很顺利，在这里记录一下

环境：Ubuntu

安装

sudo pip install tensorflow 

如果出现错误

Could not findany downloads that satisfy the requirement tensorflow

执行

sudo pip install --upgrade pip

sudo pip install tensorflow 

如果出现错误

Cannot uninstall 'six'.It is a distutils installed project and thus we cannot accurately determine which files belong to it which would lead to only a partial uninstall.

然后执行

sudo pip install six --upgrade --ignore-installed six

sudo pip install tensorflow

完整代码

import tensorflow as tf 
import matplotlib.pyplot as plt
import numpy as np

#样本数据
x_train = np.linspace(-1,1,300)[:,np.newaxis]
noise = np.random.normal(0, 0.1, x_train.shape)
y_train = x_train * 3 + noise + 0.8

#线性模型
W = tf.Variable([0.1],dtype = tf.float32)
b = tf.Variable([0.1],dtype = tf.float32)
x = tf.placeholder(tf.float32)
line_model = W * x + b

#损失模型
y = tf.placeholder(tf.float32)
loss = tf.reduce_sum(tf.square(line_model - y))

#创建优化器
optimizer = tf.train.GradientDescentOptimizer(0.001)
train = optimizer.minimize(loss)

#初始化变量
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)

# 绘制样本数据
fig = plt.figure()
ax = fig.add_subplot(1,1,1)
ax.scatter(x_train, y_train)
plt.ion()
plt.show()
plt.pause(3)


#训练100次
for i in range(100):
	#每隔10次打印1次成果
	if i % 10 == 0:
		print(i)
		print('W:%s  b:%s' % (sess.run(W),sess.run(b)))
		print('loss:%s' % (sess.run(loss,{x:x_train,y:y_train})))
	sess.run(train,{x:x_train,y:y_train})

print('---')
print('W:%s  b:%s' % (sess.run(W),sess.run(b)))
print('loss:%s' % (sess.run(loss,{x:x_train,y:y_train})))

样本训练数据分布如下

输出结果如下

结论

通过打印结果可以看到W已经非常接近初始给定的3，b也非常接近给定的0.8 (误差不可避免)

注：本文 代码+tensorboard功能 进阶，戳： https://www.cnblogs.com/maskerk/p/9973664.html

思考

1. 与不用框架的神经网络学习( https://www.cnblogs.com/maskerk/p/9975510.html )相比，使用tensorflow进行迭代的时候，不会显式地处理 权重 和 偏差值 ，就是需要训练的参数。

2. 在tensorflow框架下，只要定义成变量(tf.Variable)类型，在训练过程中，就会通过优化器顺藤摸瓜式的找到变量进行修改训练。

3. 使用框架的话，套路居多，为什么这样做会变得模糊不清。所以要先看一下明白没有框架的代码是怎么运行的。再回头学框架的内容。