【深度学习】TensorFlow深度模型构建：训练一元线性回归模型

文章目录1. 生成拟合数据集2. 构建线性回归模型数据流图3. 在Session中运行已构建的数据流图4. 输出拟合的线性回归模型5. TensorBoard神经网络数据流图可视化6. 完整代码本文讲解以一元线性回归模型为例介绍如何使用TensorFlow搭建模型并通过会话与后台建立联系并通过数据来训练模型求解参数 直到达到预期结果为止。学习如何使用TensorBoard可视化工具来展示网络图、张量的指标变化、张量的分布情况等。设给定一批由 y3x2生成的数据集( x y )建立线性回归模型h(x) wx b 预测出 w3 和 b2。1. 生成拟合数据集数据集只含有一个特征向量注意误差项需要满足高斯分布正态分布程序使用了NumPy和Matplotlib库。NumPy是Python的一个开源数值科学计算库可用来存储和处理大型矩阵。Matplotlib是Python的绘图库它可与NumPy一起使用提供了一种有效的MATLAB开源替代方案。其代码如下:# 首先导入3个库importnumpyasnpimporttensorflowastfimportmatplotlib.pyplotasplt# 随机产生100个数据点,随机概率符合高斯分布(正态分布)num_points100vectors_set[]foriinrange(num_points):# Draw random samples from a normal (Gaussian) distribution.x1np.random.normal(0.,0.55)y1x1*0.10.3np.random.normal(0.0,0.03)# 坐标点vectors_set.append([x1,y1])# 定义特征向量xx_data[v[0]forvinvectors_set]# 定义标签向量yy_data[v[1]forvinvectors_set]# 按[x_data,y_data]在X-Y坐标系中以打点方式显示,调用plt建立坐标系并将值输出plt.scatter(x_data,y_data,cb)plt.show()2. 构建线性回归模型数据流图# 利用TensorFlow随机产生w和b,为了图形显示需要,分别定义名称 myw 和 mybwtf.Variable(tf.compat.v1.random_uniform([1],-1.,1.),namemyw)btf.Variable(tf.zeros([1]),namemyb)# 根据随机产生的w和b,结合上面随机产生的特征向量x_data,经过计算得出预估值yw*x_datab# 以预估值y和实际值y_data之间的均方差作为损失losstf.reduce_mean(tf.square(y-y_data,namemysquare),namemyloss)# 采用梯度下降法来优化参数optimizertf.compat.v1.train.GradientDescentOptimizer(0.5)trainoptimizer.minimize(loss,namemytrain)3. 在Session中运行已构建的数据流图# global_variables_initializer初始化Variable等变量sesstf.compat.v1.Session()inittf.compat.v1.global_variables_initializer()sess.run(init)print(w,sess.run(w),b ,sess.run(b),sess.run(loss))# 迭代20次trainforstepinrange(20):sess.run(train)print(w,sess.run(w),b,sess.run(b),sess.run(loss))输出w和b损失值的变化情况可以看到损失值从0.42降到了0.001。当然每次拟合的结果都不一致。4. 输出拟合的线性回归模型plt.scatter(x_data,y_data,cb)plt.plot(x_data,sess.run(w)*x_datasess.run(b))plt.show()5. TensorBoard神经网络数据流图可视化TensorBoard 是 TensorFlow 的可视化工具包 使用者通过TensorBoard可以将代码实现的数据流图以可视化的图形显示在浏览器中这样方便使用者编写和调试TensorFlow数据流图程序。首先将数据流图写入到文件中# 写入磁盘,以供TensorBoard在浏览器中展示writertf.compat.v1.summary.FileWriter(./mytmp,sess.graph)运行该代码后就可以将整个神经网络节点信息写入./mytmp目录下。打开终端执行如下命令tensorboard--logdir./tensflow-demo/mytmp Serving TensorBoard on localhost;to expose to the network, use a proxy or pass--bind_allTensorBoard2.15.1 at http://localhost:6007/(Press CTRLC to quit)访问http://localhost:6007/如下图生成的神经网络数据流图通过添加参数--bind_all将图暴露给网络。6. 完整代码# 首先导入3个库importnumpyasnpimporttensorflowastfimportmatplotlib.pyplotasplt# 随机产生100个数据点,随机概率符合高斯分布(正态分布)num_points100vectors_set[]foriinrange(num_points):# Draw random samples from a normal (Gaussian) distribution.x1np.random.normal(0.,0.55)y1x1*0.10.3np.random.normal(0.0,0.03)# 坐标点vectors_set.append([x1,y1])# 定义特征向量xx_data[v[0]forvinvectors_set]# 定义标签向量yy_data[v[1]forvinvectors_set]# 按[x_data,y_data]在X-Y坐标系中以打点方式显示,调用plt建立坐标系并将值输出# plt.scatter(x_data, y_data, cb)# plt.show()tf.compat.v1.disable_v2_behavior()# 利用TensorFlow随机产生w和b,为了图形显示需要,分别定义名称myw 和 mybwtf.Variable(tf.compat.v1.random_uniform([1],-1.,1.),namemyw)btf.Variable(tf.zeros([1]),namemyb)# 根据随机产生的w和b,结合上面随机产生的特征向量x_data,经过计算得出预估值yw*x_datab# 以预估值y和实际值y_data之间的均方差作为损失losstf.reduce_mean(tf.square(y-y_data,namemysquare),namemyloss)# 采用梯度下降法来优化参数optimizertf.compat.v1.train.GradientDescentOptimizer(0.5)trainoptimizer.minimize(loss,namemytrain)# global_variables_initializer初始化Variable等变量sesstf.compat.v1.Session()inittf.compat.v1.global_variables_initializer()sess.run(init)print(w,sess.run(w),b ,sess.run(b),sess.run(loss))# 迭代20次trainforstepinrange(20):sess.run(train)print(w,sess.run(w),b,sess.run(b),sess.run(loss))# 写入磁盘,供TensorBoard在浏览器中展示# writer tf.compat.v1.summary.FileWriter(./mytmp, sess.graph)#plt.scatter(x_data,y_data,cb)plt.plot(x_data,sess.run(w)*x_datasess.run(b))plt.show()因为运行的是TensorFlow 1.x 系统运行的是 TensorFlow 2.x.所以运行过程中有两个问题1.没有Session在 TF2 中可以通过tf.compat.v1.Session()访问会话2.losspassed to Optimizer.compute_gradients should be a function when eager execution is enabled在代码前面添加如下代码屏蔽v2的行为tf.compat.v1.disable_v2_behavior()