tensorflow
Prosta struktura regresji liniowej w TensorFlow z Pythonem
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
