【学习笔记】tensorflow实现一个简单的线性回归

目录

• 准备知识
  • Tensorflow运算API
  • 梯度下降API
• 简单的线性回归的实现
  • 建立事件文件
  • 变量作用域
  • 增加变量显示
  • 模型的保存与加载
  • 自定义命令行参数

准备知识

Tensorflow运算API

矩阵运算：tf.matmul(x, w)

平方：tf.square(error)

均值：tf.reduce_mean(error)

梯度下降API

tf.train.GradientDescentOptimizer(learning_rate)：梯度下降优化

• learning_rate:学习率
• return:梯度下降op

简单的线性回归的实现

# 准备数据
x = tf.random_normal([200, 1], mean=1.2, stddev=0.6, name="x")
y = tf.matmul(x, [[0.5]]) + 0.8

# 建立线性回归模型
weight = tf.Variable(tf.random_normal([1, 1], mean=0, stddev=1.0), name="weight")
bais = tf.Variable(0.0, name="bais")
# 预测值
y_predict = tf.matmul(x, weight) + bais

# 损失函数，均方误差
loss = tf.reduce_mean(tf.square(y - y_predict))

# 梯度下降优化损失
train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

# 初始化op
init_op = tf.global_variables_initializer()

# 运行
with tf.Session() as sess:
    sess.run(init_op)

    for i in range(200):
        sess.run(train_op)

        print("第%d次优化的权重为%f，偏置为%f" % (i, weight.eval(), bais.eval()))

部分运行结果：

第0次优化的权重为1.317120，偏置为-0.072556
第1次优化的权重为1.240519，偏置为-0.088773
第2次优化的权重为1.199426，偏置为-0.078846
第3次优化的权重为1.152779，偏置为-0.071317
第4次优化的权重为1.125252，偏置为-0.052198
第5次优化的权重为1.097908，偏置为-0.033999
第6次优化的权重为1.081992，偏置为-0.010126
...
第194次优化的权重为0.503366，偏置为0.795440
第195次优化的权重为0.503219，偏置为0.795541
第196次优化的权重为0.503130，偏置为0.795662
第197次优化的权重为0.503025，偏置为0.795741
第198次优化的权重为0.502987，偏置为0.795893
第199次优化的权重为0.502896，偏置为0.796023

建立事件文件

tf.summary.FileWriter("./temp/tf/summary/test", graph=sess.graph)

打开TensorBoard：

$ tensorboard --logdir="./temp/tf/summary/test"

上图的图形比较乱，怎样才能更加的直观呢？

变量作用域

tensorflow提供了变量作用域和共享变量这样的概念，有几个重要的作用。

• 让模型代码更加清晰，作用分明

通过tf.variable_scope()创建指定名字的变量作用域

上例加上变量作用域

    with tf.variable_scope("data"):
        # 准备数据
        x = tf.random_normal([200, 1], mean=1.2, stddev=0.6, name="x")
        y = tf.matmul(x, [[0.5]]) + 0.8

    with tf.variable_scope("model"):
        # 建立线性回归模型
        weight = tf.Variable(tf.random_normal([1, 1], mean=0, stddev=1.0), name="weight")
        bais = tf.Variable(0.0, name="bais")
        # 预测值
        y_predict = tf.matmul(x, weight) + bais

    with tf.variable_scope("loss"):
        # 损失函数，均方误差
        loss = tf.reduce_mean(tf.square(y - y_predict))

    with tf.variable_scope("optimizer"):
        # 梯度下降优化损失
        train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

再次观察图形：

增加变量显示

目的：观察模型的参数、损失值的变化情况

1、收集变量

• tf.summary.scalar(name=’’,tensor) 收集对于损失函数和准确率等单值变量,name为变量的名字，tensor为值

• tf.summary.histogram(name=‘’,tensor) 收集高维度的变量参数

• tf.summary.image(name=‘’,tensor) 收集输入的图片张量能显示图片

2、合并变量写入事件文件

• merged = tf.summary.merge_all()

• 运行合并：summary = sess.run(merged)，每次迭代都需运行

• 添加：FileWriter.add_summary(summary,i),i表示第几次的值

收集上例中的损失、权重

# 收集tensor
tf.summary.scalar("losses", loss)
tf.summary.histogram("weights", weight)
# 定义合并tensor的op
merged = tf.summary.merge_all()

合并到事件流

# 运行合并的tensor
summary = sess.run(merged)
fw.add_summary(summary, i)

模型的保存与加载

在我们训练或者测试过程中，总会遇到需要保存训练完成的模型，然后从中恢复继续我们的测试或者其它使用。模型的保存和恢复也是通过tf.train.Saver类去实现，它主要通过将Saver类添加OPS保存和恢复变量到checkpoint。它还提供了运行这些操作的便利方法。

tf.train.Saver(var_list=None,max_to_keep=5)

• var_list:指定将要保存和还原的变量。它可以作为一个dict或一个列表传递.
• max_to_keep：指示要保留的最近检查点文件的最大数量。创建新文件时，会删除较旧的文件。如果无或0，则保留所有检查点文件。默认为5（即保留最新的5个检查点文件。）

自定义命令行参数

tf.app.run(),默认调用main()函数，运行程序。main(argv)必须传一个参数。

tf.app.flags，它支持应用从命令行接受参数，可以用来指定集群配置等。在tf.app.flags下面有各种定义参数的类型

• DEFINE_string(flag_name, default_value, docstring)
• DEFINE_integer(flag_name, default_value, docstring)
• DEFINE_boolean(flag_name, default_value, docstring)
• DEFINE_float(flag_name, default_value, docstring)

第一个也就是参数的名字，路径、大小等等。第二个参数提供具体的值。第三个参数是说明文档

tf.app.flags.FLAGS,在flags有一个FLAGS标志，它在程序中可以调用到我们前面具体定义的flag_name.