学习笔记TF008:机器学习基础 线性回归
来源:互联网 发布:js改变style display 编辑:程序博客网 时间:2024/06/06 19:28
有监督学习,带标注信息输入数据集,标注真实期望输出,训练推断模型,覆盖初始数据集,预测新样本输出。推断模型具体运算步骤代码设置。由给定问题解决模型确定。模型确定,运算固定。相关数据是模型参数,训练过程不断更新,模型学习,调整输出。
训练闭环一般结构:初始化模型参数(随机赋值或全0) -> 输入训练数据(样本及期望输出,随机打乱次序) ->训练数据执行推断模型(得到输出) -> 计算损失(输出与期望输出差距) ->调整模型参数(调整参数值,损失最小化,梯度下降算法)。依据学习速率、给定模型、输入数据,大量循环重复。
评估阶段,不同测试集(期望输出)模型推断,评估模型数据集损失,了解训练集外推广能力。原始数据集70%用于训练,30%用于评估。
初始化变量和模型参数,定义训练闭环运算。计算返回推断模型输出(数据X),计算损失(训练数据X及期望输出Y),读取或生成训练数据X及期望输出Y,训练或调整模型参数(计算总损失),评估训练模型。会话对象启动数据流图,搭建流程。
训练模型,多个训练周期更新参数(变量)。tf.train.Saver类保存变量到二进制文件。周期性保存所有变量,创建检查点(checkpoint)文件,从最近检查点恢复训练。启动会话对象前实例化Saver对象,每完成1000次训练迭代或训练结束,调用tf.train.Saver.save方法,创建遵循命名模板my-model{step}检查点文件,保存每个变量当前值,默认只保留最近5个文件,更早的自动删除。tf. train.get_checkpoint_state方法验证有无检查点文件。tf. trainSaver.restore方法恢复变量值。检查是否有检查点文件存在,在开始训练闭环前恢复变量值,根据检查点文件名称恢复全局迭代次数。
线性回归,给定数据点集合训练集,找到最吻合线性函数。2D数据线性函数是一条直线。点代表训练数据,线代表模型推断结果。线性回归模型基本原理,Y为待预测值。X为一组独立预测变量样本。W为模型从训练数据学到的参数,每个变量权值。b也是模型从训练数据学到的参数,线性函数常量,模型偏置(bias)。
计算损失,总平方误差,模型对训练样本预测值与期望输出之差平方总和。预测输出向量与期望向量之间欧氏距离平方。2D数据集,总平方误差对应数据点垂直方向到所预测回归直线距离平方总和。L2范数或L2损失函数。采用平方避免计算平方根,节省计算量。
模型训练运算,梯度下降算法优化模型参数。损失函数值随训练步数增加逐渐减小。
import tensorflow as tf import os #初始化变量和模型参数,定义训练闭环运算 W = tf.Variable(tf.zeros([2, 1]), name="weights")#变量权值 b = tf.Variable(0., name="bias")#线性函数常量,模型偏置 def inference(X):#计算返回推断模型输出(数据X) print "function: inference" return tf.matmul(X, W) + b def loss(X, Y):#计算损失(训练数据X及期望输出Y) print "function: loss" Y_predicted = inference(X) return tf.reduce_sum(tf.squared_difference(Y, Y_predicted)) def inputs():#读取或生成训练数据X及期望输出Y print "function: inputs" # Data from http://people.sc.fsu.edu/~jburkardt/datasets/regression/x09.txt weight_age = [[84, 46], [73, 20], [65, 52], [70, 30], [76, 57], [69, 25], [63, 28], [72, 36], [79, 57], [75, 44], [27, 24], [89, 31], [65, 52], [57, 23], [59, 60], [69, 48], [60, 34], [79, 51], [75, 50], [82, 34], [59, 46], [67, 23], [85, 37], [55, 40], [63, 30]] blood_fat_content = [354, 190, 405, 263, 451, 302, 288, 385, 402, 365, 209, 290, 346, 254, 395, 434, 220, 374, 308, 220, 311, 181, 274, 303, 244] return tf.to_float(weight_age), tf.to_float(blood_fat_content) def train(total_loss):#训练或调整模型参数(计算总损失) print "function: train" learning_rate = 0.0000001 return tf.train.GradientDescentOptimizer(learning_rate).minimize(total_loss) def evaluate(sess, X, Y):#评估训练模型 print "function: evaluate" print sess.run(inference([[80., 25.]]))# ~ 303 print sess.run(inference([[65., 25.]]))# ~ 256 saver = tf.train.Saver()#创建Saver对象 #会话对象启动数据流图,搭建流程 with tf.Session() as sess: print "Session: start" tf.global_variables_initializer().run() X, Y = inputs() total_loss = loss(X, Y) train_op = train(total_loss) coord = tf.train.Coordinator() threads = tf.train.start_queue_runners(sess=sess, coord=coord) training_steps = 1000#实际训练迭代次数 initial_step = 0 checkpoin_dir = "./" ckpt = tf.train.get_checkpoint_state(os.path.dirname(checkpoin_dir)) if ckpt and ckpt.model_checkpoint_path: print "checkpoint_path: " + ckpt.model_checkpoint_path saver.restore(sess, ckpt.model_checkpoint_path)#从检查点恢复模型参数 initial_step = int(ckpt.model_checkpoint_path.rsplit('-', 1)[1]) for step in range(initial_step, training_steps):#实际训练闭环 sess.run([train_op]) if step % 10 == 0:#查看训练过程损失递减 print str(step)+ " loss: ", sess.run([total_loss]) save_file = saver.save(sess, 'my-model', global_step=step)#创建遵循命名模板my-model-{step}检查点文件 print str(step) + " save_file: ", save_file evaluate(sess, X, Y)#模型评估 coord.request_stop() coord.join(threads) saver.save(sess, 'my-model', global_step=training_steps) print str(training_steps) + " final loss: ", sess.run([total_loss]) sess.close()
参考资料:
《面向机器智能的TensorFlow实践》
欢迎加我微信交流:qingxingfengzi
我的微信公众号:qingxingfengzigz
我老婆张幸清的微信公众号:qingqingfeifangz
- 学习笔记TF008:机器学习基础 线性回归
- 机器学习笔记-线性回归
- 机器学习笔记:线性回归
- 【机器学习基础】线性回归基础
- 【机器学习之学习笔记】线性回归
- 机器学习基础(一)线性回归
- 多元线性回归 机器学习基础(1)
- 机器学习实战线性回归局部加权线性回归笔记
- 机器学习-线性回归
- 【机器学习】线性回归
- 机器学习-线性回归
- 机器学习 线性回归
- 机器学习-线性回归
- 机器学习--线性回归
- 机器学习---线性回归
- 机器学习----线性回归
- 机器学习--线性回归
- 机器学习--线性回归
- 深度学习笔记(一)
- 设计模式
- 各种框架、插件学习
- 插入排序及哨兵的作用
- mac os+python3+opencv3环境配置
- 学习笔记TF008:机器学习基础 线性回归
- javascript中给结构添加标签并添加上类
- LeetCode-E-Palindrome Linked List
- PMOS 和 NMOS使用总结
- nexus-3.0.0-03-win64
- MYSQL 索引 主键 外键
- 建立自已的YUM源服务器,并rpmbuild自已的rpm包
- 欢迎使用CSDN-markdown编辑器
- [转载]Python2.x和Python3.x的区别