tensorflow
Простая линейная регрессионная структура в TensorFlow с Python
Поиск…
Вступление
Модель, широко используемая в традиционной статистике, представляет собой модель линейной регрессии. В этой статье целью является последовательная поэтапная реализация этого типа моделей. Мы будем представлять собой простую линейную регрессионную структуру.
Для нашего исследования мы проанализируем возраст детей по оси x и высоту детей на оси y . Мы постараемся предсказать высоту детей, используя их возраст, применяя простую линейную регрессию. [В TF, определяющем лучшие W и b]
параметры
| параметр | Описание |
|---|---|
| train_X | np массив с x размером информации |
| train_Y | np массив с y размером информации |
замечания
Я использовал TintorBoard sintaxis для отслеживания поведения некоторых частей модели, стоимости, состава и элементов активации.
with tf.name_scope("") as scope:
Используемый импорт:
import numpy as np
import tensorflow as tf
Тип применения и используемый язык:
Я использовал традиционный консольный вариант приложения, разработанный в Python, чтобы представить пример.
Используемая версия TensorFlow:
1.0.1
Концептуальный академический пример / ссылка, извлеченная отсюда :
Простая структура кода функции регрессии
Определение функции:
def run_training(train_X, train_Y):
Ввод переменных:
X = tf.placeholder(tf.float32, [m, n])
Y = tf.placeholder(tf.float32, [m, 1])
Представление веса и смещения
W = tf.Variable(tf.zeros([n, 1], dtype=np.float32), name="weight")
b = tf.Variable(tf.zeros([1], dtype=np.float32), name="bias")
Линейная модель:
with tf.name_scope("linear_Wx_b") as scope:
activation = tf.add(tf.matmul(X, W), b)
Стоимость:
with tf.name_scope("cost") as scope:
cost = tf.reduce_sum(tf.square(activation - Y)) / (2 * m)
tf.summary.scalar("cost", cost)
Повышение квалификации:
with tf.name_scope("train") as scope:
optimizer = tf.train.GradientDescentOptimizer(0.07).minimize(cost)
Сеанс TensorFlow:
with tf.Session() as sess:
merged = tf.summary.merge_all()
writer = tf.summary.FileWriter(log_file, sess.graph)
Примечание: объединение и запись являются частью стратегии TensorBoard для отслеживания поведения модели.
init = tf.global_variables_initializer()
sess.run(init)
Повторение в 1,5 тыс. Циклов тренировки:
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)
Печать Стоимость обучения:
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'
Конкретное предсказание, основанное на обученной модели:
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)
Основная рутина
def main():
train_X, train_Y = read_data()
train_X = feature_normalize(train_X)
run_training(train_X, train_Y)
Примечание: помните о зависимостях функций обзора. read_data , feature_normalize и run_training
Нормализация
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)
Чтение данных
def read_data():
global m, n
m = 50
n = 1
train_X = np.array(
Внутренние данные для массива
).astype('float32')
train_Y = np.array(
Внутренние данные для массива
).astype('float32')
return train_X, train_Y