本文主要借鑒并綜合了以下兩個(gè)博客的內(nèi)容（樣本生成和流圖構(gòu)建訓(xùn)練），并在其基礎(chǔ)上繪制了擬合后的直線和“訓(xùn)練次數(shù)-代價(jià)函數(shù)值”曲線，可更直觀的觀察訓(xùn)練效果：
https://www.cnblogs.com/xianhan/p/9090426.html
https://www.cnblogs.com/selenaf/p/9102398.html
具體步驟如下：
步驟1.在很多情況下，初學(xué)者都沒有樣本庫，一般可自建樣本庫。使用random函數(shù)隨機(jī)初始化樣本庫：
|
num_points=1000? # 生成的樣本數(shù) vectors_set=[] # 初始化樣本集，為空 for i in range(num_points): ??? x1=np.random.normal(0.0,0.55)?? #橫坐標(biāo)，進(jìn)行隨機(jī)高斯處理化，以0為均值，以0.55為標(biāo)準(zhǔn)差 ??? y1=x1*0.1+0.3+np.random.normal(-0.03,0.03)?? #縱坐標(biāo)，數(shù)據(jù)點(diǎn)在y1=x1*0.1+0.3上小范圍浮動(dòng) vectors_set.append([x1,y1]) ? # 將樣本集分為輸入集x_data和輸出集y_data x_data=[v[0] for v in vectors_set] y_data=[v[1] for v in vectors_set] ? # 繪制散點(diǎn)圖，查看生成樣本的分布情況 plt.scatter(x_data,y_data,c='r') plt.show() |
?
步驟2.建立計(jì)算流圖，包含“假設(shè)函數(shù)”“代價(jià)函數(shù)”和“訓(xùn)練函數(shù)”。如下，訓(xùn)練函數(shù)為梯度下降：
|
x = tf.placeholder(tf.float32) W = tf.Variable(tf.zeros([1])) b = tf.Variable(tf.zeros([1])) y_ = tf.placeholder(tf.float32) ? y = W * x + b ? lost = tf.reduce_mean(tf.square(y_-y)) # 設(shè)置代價(jià)函數(shù) optimizer = tf.train.GradientDescentOptimizer(0.01)? # 設(shè)置梯度下降及其步長0.01 train_step = optimizer.minimize(lost) |
?
步驟3.初始化流圖，主要是初始化運(yùn)行環(huán)境。如：
|
sess = tf.Session() init = tf.global_variables_initializer() sess.run(init) |
?
步驟4.開始訓(xùn)練：向占位符中輸入數(shù)據(jù)，使用sess.run()方法進(jìn)行訓(xùn)練。如下：
|
x_plot=[] y_plot=[] steps = 2000? # 訓(xùn)練的步數(shù) for i in range(steps): ??? xs = x_data ??? ys = y_data ??? feed = { x: xs, y_: ys }? # 向占位符中輸入數(shù)據(jù) ??? sess.run(train_step, feed_dict=feed) ??? if i % 50 == 0 : ??????? print("After %d iteration:" % i) ??????? # print(xs,ys) ??????? print("W: %f" % sess.run(W))? # 查看當(dāng)前訓(xùn)練的W值 ??????? print("b: %f" % sess.run(b)) ??????? print("lost: %f" % sess.run(lost, feed_dict=feed)) ??????? if i>200: ?????? ?????x_plot.append(i) ??????????? y_plot.append(sess.run(lost, feed_dict=feed)) |
?
步驟5.繪制“訓(xùn)練次數(shù)-代價(jià)函數(shù)值”曲線，觀察訓(xùn)練的收斂趨勢。如下：
|
x_result=[-2,2] W_result=sess.run(W) b_result=sess.run(b) y_result=[] for x_temp in x_result:? # 如果直接賦值y_result=x_result*W+b，則y_result類型為Tensor，不能直接打印 ??? y_result.append(x_temp*W_result+b_result) plt.subplot(1,2,1) plt.scatter(x_data,y_data,c='r') plt.plot(x_result,y_result,'-y') plt.subplot(1,2,2) plt.plot(x_plot,y_plot,'-') plt.show() |
?
輸出結(jié)果大致如下：
|
打印結(jié)果（最后一次）： After 1950 iteration: W: 0.102901 b: 0.270892 lost: 0.000836 |
|
|
更多文章、技術(shù)交流、商務(wù)合作、聯(lián)系博主
微信掃碼或搜索：z360901061
微信掃一掃加我為好友
QQ號聯(lián)系： 360901061
您的支持是博主寫作最大的動(dòng)力，如果您喜歡我的文章，感覺我的文章對您有幫助，請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧，狠狠點(diǎn)擊下面給點(diǎn)支持吧，站長非常感激您！手機(jī)微信長按不能支付解決辦法：請將微信支付二維碼保存到相冊，切換到微信，然后點(diǎn)擊微信右上角掃一掃功能，選擇支付二維碼完成支付。
【本文對您有幫助就好】元
