TensorFlow 學習筆記(1)----線性迴歸(linear regression)的TensorFlow實現

摘要： 此係列將會每日持續更新，歡迎關注 線性迴歸 (linear regression)的TensorFlow實現 #這裡是基於python 3.7版本的TensorFlow TensorFlow是一個機器學習的利器，打包了眾多的機器學習中的模型以及...

此係列將會每日持續更新，歡迎關注

線性迴歸 (linear regression)的TensorFlow實現

#這裡是基於python 3.7版本的TensorFlow

TensorFlow是一個機器學習的利器，打包了眾多的機器學習中的模型以及各種數學上的處理

因此利用TensorFlow來學習機器學習能起到事半功倍的效果。

以下程式碼即是線性迴歸的實現（實現對函式  y = 0.1 x + 0.3  的迴歸）程式碼內給出詳細註釋便於理解

import tensorflow as tf
import numpy as np
 
#生成原始資料 begin
x_data = np.random.rand(100).astype(np.float32)   　　　　#利用rand(100)生成一個一行100列的矩陣，
y_data = x_data*0.1 + 0.3　　　　　　　　　　　　　　　　　　　#astype(np.float32)是由於TensorFlow處理的資料型別通常為此型別
#生成原始資料 end
 
### 構建tensorflow的結構 start ###
Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0))　　#權重，即為 y = ax + b 中的 a 
biases = tf.Variable(tf.zeros([1]))　　　　　　　　　　　　　　　　#偏置值，即為 y = ax + b 中的 b

y = Weights*x_data + biases

loss = tf.reduce_mean(tf.square(y-y_data))　　　　　　　　　　#reduce_mean意為取y-y_data的平方的均值
optimizer = tf.train.GradientDescentOptimizer(0.5)　　　　　　#這裡採用最簡單的梯度下降法來實現迴歸，梯度下降法將會在以後的部落格中利用octave梳理內部細節的實現
　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　#簡單來講，梯度下降就是：1.求導 2.嚮導數為零的點靠攏。
　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　#這裡的0.5表示學習率，通俗來說就是嚮導數為零的點靠攏的速度。
train = optimizer.minimize(loss)　　　　　　　　　　　　　　　　#使得誤差最小
### create tensorflow structure end ###

sess = tf.Session()
init = tf.global_variables_initializer()　　　　#將tf.global_variables_initializer()，即全域性變數初始化寫為init，這樣後面就可以通過sess.run(init)來進行初始化
sess.run(init)　　　　　　　　　　　　　　　　　　　　#這一步才真正意義上初始化！

for step in range(201):
　　sess.run(train)　　　　　　　　　　　　　　　　　　#訓練一次
　　if step % 10 == 0:
　　print(step, sess.run(Weights), sess.run(biases))#每10次輸出一下結果，進行觀察
 

這裡是我的輸出結果（因rand不同程式執行多次的結果可能各不相同）

================ RESTART: D:/TensorFlow/linear regression.py ================
0 [0.36862874] [0.21253814]
20 [0.17672797] [0.25930387]
40 [0.12394582] [0.28729928]
60 [0.10747318] [0.29603627]
80 [0.10233228] [0.29876298]
100 [0.10072788] [0.29961395]
120 [0.10022715] [0.29987952]
140 [0.10007092] [0.2999624]
160 [0.10002212] [0.29998827]
180 [0.10000691] [0.29999635]
200 [0.10000216] [0.29999888]

幾點要點補充：

1. TensorFlow中的一些語法會有一些反直覺：當你要宣告一個變數時，必須用tf.Variable來宣告這個變數，

而你想要輸出某個資料時，例如Weights，必須採用print(sess.run(Weights))才可將其輸出

2.  Session 是 Tensorflow 為了控制,和輸出檔案的執行的語句. 執行 session.run() 可以獲得你要得知的運算結果, 或者是你所要運算的部分.

例如：

import tensorflow as tf
# create two matrixes
 
matrix1 = tf.constant([[3,3]])
matrix2 = tf.constant([[2],
[2]])
product = tf.matmul(matrix1,matrix2)
sess = tf.Session() 

result = sess.run(product)

print(result）

sess.close()

輸出結果為[[12]]。