上海静安网站建设河南网络推广公司

线性回归基本介绍

线性回归：$$w_1\ast x_1+w_2\ast x_2+w_3\ast x_3+...+w_n\ast x_n+bias$$

1：准备好1特征1目标值(都为100行1列)

$$y=x\ast 0.7+0.8$$

2: 建立模型 随机初始化准备一个权重w,一个向量b

$$y_{predict}=x\ast w+b$$

3:求损失函数，误差

loss 均方误差：$$(y_1-y_1^{{}^{\prime }}{)}^2+(y_2-y_2^{{}^{\prime }}{)}^2+(y_3-y_3^{{}^{\prime }}{)}^2+...+(y_{100}-y_{100}^{{}^{\prime }}{)}^2$$

4:梯度下降优化

矩阵相乘：

（m行，n行） * （n行，1）（m行，1）

常用的op

矩阵运算：

tf.matmul(x,w)

平方：

tf.square(error)

均值：

tf.reduce_mean(error)

梯度下降优化：

tf.train.GradientDescentOptimizer(learning_rate)- learning_rate:学习率- method:minize(loss)- return:梯度下降op

自实现线性回归预测

import tensorflow as tf

# 1.准备数据 x:特征值 [100,1] y 目标值[100]
x = tf.random_normal([100,1], mean = 1.75, stddev = 0.5,name = "x_data")# 矩阵相乘必须是二维的
y_ture = tf.matmul(x,[[0.7]]) + 0.8# 2.建立线性回归模型，1个特征，1个权重，一个偏置 y = xw + b
# 随机给一个权重和p偏置的值，计算损失，然后在当前状态下优化
# 用变量定义才能优化weight = tf.Variable(tf.random_normal([1,1],mean = 0.0,stddev = 1.0),name = "w")
bias = tf.Variable(0.0,name = "b")y_predict = tf.matmul(x,weight) + bias# 3.建立损失函数，均方误差
loss = tf.reduce_mean(tf.square(y_ture - y_predict))# 4.梯度下降优化损失 leaning_rate:0.01,0.03,0.1,0.3,......
train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)# 定义一个初始化变量的op
init_op = tf.global_variables_initializer()# 通过会话运行程序
with tf.Session() as sess:# 初始化变量sess.run(init_op)# 打印随机最先初始化的权重和偏置print("随机初始化的参数权重为：%f, 偏置为：%f" %(weight.eval(),bias.eval()))# 循环运行优化for i in range(200):sess.run(train_op)print("第%d次优化的参数权重为：%f, 偏置为：%f" % (i,weight.eval(),bias.eval()))

随机初始化的参数权重为：-1.260226, 偏置为：0.000000
第0次优化的参数权重为：0.349570, 偏置为：0.856385
第1次优化的参数权重为：0.554503, 偏置为：0.966013
第2次优化的参数权重为：0.590992, 偏置为：0.982879
第3次优化的参数权重为：0.600176, 偏置为：0.984269
第4次优化的参数权重为：0.602949, 偏置为：0.982530
第5次优化的参数权重为：0.603653, 偏置为：0.980223
第6次优化的参数权重为：0.602477, 偏置为：0.976848
第7次优化的参数权重为：0.604590, 偏置为：0.975368
......
第193次优化的参数权重为：0.689427, 偏置为：0.819917
第194次优化的参数权重为：0.689293, 偏置为：0.819553
第195次优化的参数权重为：0.689415, 偏置为：0.819265
第196次优化的参数权重为：0.689980, 偏置为：0.819289
第197次优化的参数权重为：0.690093, 偏置为：0.819089
第198次优化的参数权重为：0.689954, 偏置为：0.818728
第199次优化的参数权重为：0.689771, 偏置为：0.818355

tensorflow 变量作用域

tf.variable_scope(<scope_name>):创建指定名字的变量作用域

import tensorflow as tf

with tf.variable_scope("data"):x = tf.random_normal([100,1], mean = 1.75, stddev = 0.5,name = "x_data")# 矩阵相乘必须保持数据是二维的y_ture = tf.matmul(x,[[0.7]]) + 0.8with tf.variable_scope("model"):# 随机给一个权重和p偏置的值，计算损失，然后在当前状态下优化# 用变量定义才能优化# trainable参数:指定这个变量能顺着梯度下降一起优化weight = tf.Variable(tf.random_normal([1,1],mean = 0.0,stddev = 1.0),name = "w")bias = tf.Variable(0.0,name = "b")y_predict = tf.matmul(x,weight) + biaswith tf.variable_scope("loss"):# 3.建立损失函数，均方误差loss = tf.reduce_mean(tf.square(y_ture - y_predict))with tf.variable_scope("optimizer"):# 4.梯度下降优化损失 leaning_rate:0.01,0.03,0.1,0.3,......train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)# 定义一个初始化变量的op
init_op = tf.global_variables_initializer()# 通过会话运行程序
with tf.Session() as sess:# 初始化变量sess.run(init_op)# 打印随机最先初始化的权重和偏置print("随机初始化的参数权重为：%f, 偏置为：%f" %(weight.eval(),bias.eval()))# 把图结构写入事件文件filewriter = tf.summary.FileWriter("./tmp/summary/test2",graph = sess.graph)# 循环运行优化for i in range(200):sess.run(train_op)print("第%d次优化的参数权重为：%f, 偏置为：%f" % (i,weight.eval(),bias.eval()))

随机初始化的参数权重为：-0.364948, 偏置为：0.000000
第0次优化的参数权重为：0.660532, 偏置为：0.544167
第1次优化的参数权重为：0.773921, 偏置为：0.608918
第2次优化的参数权重为：0.791829, 偏置为：0.620703
第3次优化的参数权重为：0.793604, 偏置为：0.624149
第4次优化的参数权重为：0.788609, 偏置为：0.624627
第5次优化的参数权重为：0.791536, 偏置为：0.627871
第6次优化的参数权重为：0.789608, 偏置为：0.629258
第7次优化的参数权重为：0.789247, 偏置为：0.631952
第8次优化的参数权重为：0.790944, 偏置为：0.635684
......
第194次优化的参数权重为：0.709682, 偏置为：0.782486
第195次优化的参数权重为：0.709192, 偏置为：0.782562
第196次优化的参数权重为：0.709601, 偏置为：0.783022
第197次优化的参数权重为：0.709102, 偏置为：0.782941
第198次优化的参数权重为：0.709275, 偏置为：0.783254
第199次优化的参数权重为：0.709096, 偏置为：0.783376

体现在tensorboard上：下图出现多个optimizer的原因可能是在notebook上运行时，如果重复执行原来的代码，变量名也会自动改变，默认了之前的模型是存在的。需要注意的是，在加载保存的模型时需要注意，重复运行包含op在内的代码会导致模型加载不出来，因为名称已变。

模型的保存和加载

• 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。

• 例如： saver.save(sess,‘/temp/ckpt/test/model’)
  saver.restore(sess,‘/temp/ckpt/test/model’)

• 保存文件格式：checkpoint文件（检查点文件）

初次运行模型并保存

# 保存运行了500步的模型，下次直接从500步开始
import tensorflow as tfwith tf.variable_scope("data"):x = tf.random_normal([100,1], mean = 1.75, stddev = 0.5,name = "x_data")# 矩阵相乘必须保持数据是二维的y_ture = tf.matmul(x,[[0.7]]) + 0.8with tf.variable_scope("model"):# 随机给一个权重和p偏置的值，计算损失，然后在当前状态下优化# 用变量定义才能优化# trainable参数:指定这个变量能顺着梯度下降一起优化weight = tf.Variable(tf.random_normal([1,1],mean = 0.0,stddev = 1.0),name = "w")bias = tf.Variable(0.0,name = "b")y_predict = tf.matmul(x,weight) + biaswith tf.variable_scope("loss"):# 3.建立损失函数，均方误差loss = tf.reduce_mean(tf.square(y_ture - y_predict))with tf.variable_scope("optimizer"):# 4.梯度下降优化损失 leaning_rate:0.01,0.03,0.1,0.3,......train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)# 收集tensor
tf.summary.scalar("losses",loss)
#tf.summary.scalar("weights1",weight) # weight一般是高维的要用histogram,但是由于这里是一维所以用scalar
tf.summary.histogram("weights2",weight) # 高维度的情况下一般用histogram# 定义合并tensor的op
merged = tf.summary.merge_all()# 定义一个初始化变量的op
init_op = tf.global_variables_initializer()# 定义一个保存模型的实例
saver = tf.train.Saver()# 通过会话运行程序
with tf.Session() as sess:# 初始化变量sess.run(init_op)# 打印随机最先初始化的权重和偏置print("随机初始化的参数权重为：%f, 偏置为：%f" %(weight.eval(),bias.eval()))# 把图结构写入事件文件filewriter = tf.summary.FileWriter("tmp/summary/test",graph = sess.graph)# 循环运行优化for i in range(500):sess.run(train_op)# 运行合并的tensorsummary = sess.run(merged)filewriter.add_summary(summary,i)print("第%d次优化的参数权重为：%f, 偏置为：%f" % (i,weight.eval(),bias.eval()))saver.save(sess,"tmp/ckpt/model")

随机初始化的参数权重为：-0.265290, 偏置为：0.000000
第0次优化的参数权重为：0.668151, 偏置为：0.499340
第1次优化的参数权重为：0.796031, 偏置为：0.570753
第2次优化的参数权重为：0.813327, 偏置为：0.583293
第3次优化的参数权重为：0.811708, 偏置为：0.586319
第4次优化的参数权重为：0.809507, 偏置为：0.588334
第5次优化的参数权重为：0.811250, 偏置为：0.592284
第6次优化的参数权重为：0.813352, 偏置为：0.596134
。。。
第495次优化的参数权重为：0.700331, 偏置为：0.799402
第496次优化的参数权重为：0.700326, 偏置为：0.799410
第497次优化的参数权重为：0.700312, 偏置为：0.799412
第498次优化的参数权重为：0.700302, 偏置为：0.799414
第499次优化的参数权重为：0.700309, 偏置为：0.799429

直接加载模型再次运行，可以看到模型的权重和偏置是接着上次运行的结果进一步运行的

with tf.Session() as sess:# 初始化变量sess.run(init_op)# 打印随机最先初始化的权重和偏置print("随机初始化的参数权重为：%f, 偏置为：%f" %(weight.eval(),bias.eval()))# 加载模型，覆盖模型当中随机定义的参数，从上次训练的参数结果开始if os.path.exists("tmp/ckpt/checkpoint"):saver.restore(sess,"tmp/ckpt/model")# 循环运行优化for i in range(500):sess.run(train_op)print("第%d次优化的参数权重为：%f, 偏置为：%f" % (i,weight.eval(),bias.eval()))

随机初始化的参数权重为：-1.206198, 偏置为：0.000000
INFO:tensorflow:Restoring parameters from tmp/ckpt/model
第0次优化的参数权重为：0.700308, 偏置为：0.799436
第1次优化的参数权重为：0.700309, 偏置为：0.799444
第2次优化的参数权重为：0.700299, 偏置为：0.799446
第3次优化的参数权重为：0.700287, 偏置为：0.799447
第4次优化的参数权重为：0.700289, 偏置为：0.799456
第5次优化的参数权重为：0.700291, 偏置为：0.799465
第6次优化的参数权重为：0.700283, 偏置为：0.799469
第7次优化的参数权重为：0.700294, 偏置为：0.799482
第8次优化的参数权重为：0.700279, 偏置为：0.799485
。。。
第491次优化的参数权重为：0.700001, 偏置为：0.799998
第492次优化的参数权重为：0.700001, 偏置为：0.799998
第493次优化的参数权重为：0.700001, 偏置为：0.799998
第494次优化的参数权重为：0.700001, 偏置为：0.799998
第495次优化的参数权重为：0.700001, 偏置为：0.799998
第496次优化的参数权重为：0.700001, 偏置为：0.799998
第497次优化的参数权重为：0.700001, 偏置为：0.799998
第498次优化的参数权重为：0.700001, 偏置为：0.799998
第499次优化的参数权重为：0.700001, 偏置为：0.799998