tensorflow
Python을 사용한 TensorFlow의 간단한 선형 회귀 구조

소개

매개 변수

비고

with tf.name_scope("") as scope:

import numpy as np
import tensorflow as tf

단순 회귀 함수 코드 구조

함수 정의 :

def run_training(train_X, train_Y):

입력 변수 :

X = tf.placeholder(tf.float32, [m, n])
Y = tf.placeholder(tf.float32, [m, 1])

중량 및 바이어스 표시

W = tf.Variable(tf.zeros([n, 1], dtype=np.float32), name="weight")
b = tf.Variable(tf.zeros([1], dtype=np.float32), name="bias")

선형 모델 :

with tf.name_scope("linear_Wx_b") as scope:
    activation = tf.add(tf.matmul(X, W), b)

비용:

with tf.name_scope("cost") as scope:
    cost = tf.reduce_sum(tf.square(activation - Y)) / (2 * m)
    tf.summary.scalar("cost", cost)

훈련:

with tf.name_scope("train") as scope:
    optimizer = tf.train.GradientDescentOptimizer(0.07).minimize(cost)

TensorFlow 세션 :

with tf.Session() as sess:
    merged = tf.summary.merge_all()
    writer = tf.summary.FileWriter(log_file, sess.graph)

참고 : 병합 및 기록기는 모델 동작을 추적하는 TensorBoard 전략의 일부입니다.

    init = tf.global_variables_initializer()
    sess.run(init)

트레이닝 루프를 1.5k 배 반복 :

    for step in range(1500):
       result, _ = sess.run([merged, optimizer], feed_dict={X: np.asarray(train_X), Y: np.asarray(train_Y)})
       writer.add_summary(result, step)

인쇄 교육 비용 :

    training_cost = sess.run(cost, feed_dict={X: np.asarray(train_X), Y: np.asarray(train_Y)})
    print "Training Cost: ", training_cost, "W=", sess.run(W), "b=", sess.run(b), '\n'

훈련 된 모델을 기반으로 한 구체적인 예측 :

    print "Prediction for 3.5 years"
    predict_X = np.array([3.5], dtype=np.float32).reshape([1, 1])

    predict_X = (predict_X - mean) / std
    predict_Y = tf.add(tf.matmul(predict_X, W), b)
    print "Child height(Y) =", sess.run(predict_Y)

메인 루틴

def main():
    train_X, train_Y = read_data()
    train_X = feature_normalize(train_X)
    run_training(train_X, train_Y)

참고 : 검토 기능의 종속성을 기억하십시오. read_data , feature_normalize 및 run_training

정규화 루틴

def feature_normalize(train_X):
    global mean, std
    mean = np.mean(train_X, axis=0)
    std = np.std(train_X, axis=0)

    return np.nan_to_num((train_X - mean) / std)

데이터 읽기 루틴

def read_data():
    global m, n

    m = 50
    n = 1

    train_X = np.array(

배열의 내부 데이터

    ).astype('float32')

    train_Y = np.array(

배열의 내부 데이터

    ).astype('float32')

    return train_X, train_Y