2.2 莫烦 TensorFlow 例子2 预测一次函数

---

例子2

作者: Morvan    编辑: Morvan   

• 学习资料:
  • 相关代码

Tensorflow 是非常重视结构的, 我们得建立好了神经网络的结构, 才能将数字放进去, 运行这个结构.

这个例子简单的阐述了 tensorflow 当中如何用代码来运行我们搭建的结构.

首先, 我们这次需要加载 tensorflow 和 numpy 两个模块, 并且使用 numpy 来创建我们的数据.

import tensorflow as tf
import numpy as np

# create data
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data*0.1 + 0.3

接着, 我们用 tf.Variable 来创建描述 y 的参数. 我们可以把 y_data = x_data*0.1 + 0.3 想象成 y=Weights * x + biases, 然后神经网络也就是学着把 Weights 变成 0.1, biases 变成 0.3.

Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
biases = tf.Variable(tf.zeros([1]))

y = Weights*x_data + biases

接着就是计算 y 和 y_data 的误差:

loss = tf.reduce_mean(tf.square(y-y_data))

反向传递误差的工作就教给optimizer了, 我们使用的误差专递方法是梯度下降法: Gradient Descent 让后我们使用 optimizer 来进行参数的更新.

optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)

到目前为止, 我们只是建立了神经网络的结构, 还没有使用这个结构. 在使用这个结构之前, 我们必须先初始化所有之前定义的Variable, 所以这一步是很重要的!

# init = tf.initialize_all_variables() # tf 马上就要废弃这种写法
init = tf.global_variables_initializer()  # 替换成这样就好

接着,我们再创建会话 Session. 我们会在下一节中详细讲解 Session. 我们用 Session 来执行 init 初始化步骤. 并且, 用 Session 来 run 每一次 training 的数据. 逐步提升神经网络的预测准确性.

sess = tf.Session()
sess.run(init)          # Very important

for step in range(201):
    sess.run(train)
    if step % 20 == 0:
        print(step, sess.run(Weights), sess.run(biases))

整个代码如下：

 
注意在实际运行过程中

 

 加入中文注释：# -*- coding: utf-8 -*-

 

 

 

 

总结：

这里可认为：

y=Weights*x_data+biases 可以认为是神经网络

可认为：

x_data：训练集的数据

y_data：训练集的标签

通过训练集训练，使得y=Weights*x_data+biases 最终有正确的结构即

y_data=x_data*0.1+0.3

，输出正确的结构。

自己敲得代码：

 

 

结果：