Szukaj…


Wprowadzenie

Model szeroko stosowany w tradycyjnej statystyce to model regresji liniowej. W tym artykule celem jest śledzenie wdrażania tego typu modeli krok po kroku. Będziemy reprezentować prostą strukturę regresji liniowej.

W naszym badaniu przeanalizujemy wiek dzieci na osi x i wzrost dzieci na osi y . Postaramy się przewidzieć wzrost dzieci, wykorzystując ich wiek, stosując prostą regresję liniową. [W TF znajdując najlepsze W i b]

Parametry

Parametr Opis
train_X tablica np z x wymiarem informacji
pociąg_Y tablica np z wymiarem y informacji

Uwagi

Użyłem sintaksji TensorBoard do śledzenia zachowania niektórych części modelu, kosztów, pociągu i elementów aktywacyjnych.

with tf.name_scope("") as scope:

Zastosowany import:

import numpy as np
import tensorflow as tf

Rodzaj zastosowanej aplikacji i język:

Jako przykład posłużyłem się tradycyjnym typem aplikacji do implementacji konsoli, opracowanym w Pythonie.


Zastosowana wersja TensorFlow:

1.0.1


Wyciągnięto stąd konceptualny przykład / odniesienie akademickie :

Prosta struktura kodu funkcji regresji

Definicja funkcji:

def run_training(train_X, train_Y):

Zmienne wejściowe:

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

Reprezentacja masy i odchylenia

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

Model liniowy:

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

Koszt:

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

Trening:

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

Sesja TensorFlow:

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

Uwaga: scalone i zapisujące są częścią strategii TensorBoard służącej do śledzenia zachowania modelu.


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

Powtarzanie 1,5 tys. Razy pętli treningowej:

    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)

Drukuj koszt szkolenia:

    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'

Konkretne przewidywanie na podstawie przeszkolonego modelu:

    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)

Główna rutyna

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

Uwaga: pamiętaj o zależnościach funkcji przeglądania. read_data , feature_normalize i run_training

Procedura normalizacyjna

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)

Czytaj procedurę danych

def read_data():
    global m, n

    m = 50
    n = 1

    train_X = np.array(

Dane wewnętrzne dla tablicy

    ).astype('float32')

    train_Y = np.array(

Dane wewnętrzne dla tablicy

    ).astype('float32')

    return train_X, train_Y


Modified text is an extract of the original Stack Overflow Documentation
Licencjonowany na podstawie CC BY-SA 3.0
Nie związany z Stack Overflow