1.TensorFlow初识 TF实现线性回归模型

TensorFlow基本使用

在介绍样例之前，我们先介绍一下TensorFlow的一些基本概念

1.placehoder（占位符）

tf.placeholder(dtype, shape=None, name=None)Args:    dtype: The type of elements in the tensor to be fed.    shape: The shape of the tensor to be fed (optional). If the shape is not specified, you can feed a tensor of any shape.    name: A name for the operation (optional).

dytpe:占位符的数据类型
shape:占位符的纬度，例如[2,2]代表2x2的二维矩阵，None可以代表任意维度，例如[None,2]则代表任意行数，2列的二维矩阵
name:占位符的名字

变量在定义时要初始化，但可能有些变量我们一开始定义的时候并不一定知道该变量的值，只有当真正开始运行程序的时候才由外部输入，比如我们需要训练的数据，所以就用占位符来占个位置，告诉TensorFlow，等到真正运行的时候再通过输入数据赋值。
例如

x = tf.placeholder(tf.float32, [2, 2])

就是生成了一个2x2的二维矩阵，矩阵中每个元素的类型都是tf.float32（也就是浮点型）。

有时候定义需要训练的参数时候，会定义一个[input_size,output_size]大小的矩阵，其中input_size数输入数据的维度，output_size是输出数据的维度

2.Variable（变量）

官方说明 有些长，我就不引用啦，这里介绍一个简单的用法，有一点变量在声明的时候要有一个初始值

x = tf.Variable(tf.zeros([2,2])) # 声明一个2x2的矩阵，并将矩阵中的所有元素的值赋为0，默认每个元素都是tf.float32类型的数据y = tf.Variable(1.0, tf.float32) # 声明一个tf.float32的变量，并将初始值设为1.0

我们一般还需要运行下global_variables_initializer真正在TensorFlow的Session中初始化所有变量，后面的样例中也会有体现。

3.Constant（常量）

官方说明 同样不引用啦，这里介绍一个简单的用法

x = tf.constant(3.0, tf.float32) # 定义一个值为3.0的浮点型常量

4.Session（会话）

TensorFlow所有的操作都必须在Session中运行，才能真正起作用，可以将Session当作TensorFlow运行的环境，Session运行完需要close～

#用close()关闭sess = tf.Session()sess.run(...)sess.close()#使用with..as..语句关闭with tf.Session() as sess:    sess.run(...)

5.简单使用

我们介绍下3+5应该如何在TensorFlow中实现

import tensorflow as tfx = tf.Variable(3, tf.int16) // 声明一个整型变量3y = tf.Variable(5, tf.int16) // 声明一个整型变量5z = tf.add(x,y) // z = x + yinit = tf.global_variables_initializer() // 初始化变量的操作with tf.Session() as sess:    sess.run(init)  // 在Session中初始化变量    print(sess.run(z)) // 输出计算出的z值

样例

Github上有一个比较好的Demo合集，有注释有源代码还蛮好的，但今天我们不讲上面的代码，我们讲如何用TF实现线性回归模型。

所谓线性回归模型就是y = W * x + b的形式的表达式拟合的模型。

我们如果想通过深度学习拟合一条直线 y = 3 * x 应该怎么做呢？咱不讲虚的先展示下代码！然后我们在逐步分析。

#coding=utf-8import tensorflow as tfx = tf.placeholder(tf.float32)W = tf.Variable(tf.zeros([1]))b = tf.Variable(tf.zeros([1]))y_ = tf.placeholder(tf.float32)y = W * x + blost = tf.reduce_mean(tf.square(y_-y))optimizer = tf.train.GradientDescentOptimizer(0.0000001)train_step = optimizer.minimize(lost)sess = tf.Session()init = tf.global_variables_initializer()sess.run(init)steps = 1000for i in range(steps):    xs = [i]    ys = [3 * i]    feed = { x: xs, y_: ys }    sess.run(train_step, feed_dict=feed)    if i % 100 == 0 :        print("After %d iteration:" % i)        print("W: %f" % sess.run(W))        print("b: %f" % sess.run(b))        print("lost: %f" % sess.run(lost, feed_dict=feed))

1.先导入需要使用的python库。

#coding=utf-8import tensorflow as tf

毕竟是基于TensorFlow的，那我们肯定要导入TensorFlow滴，导入之后取个别名tf，之后用起来方便些。

2.定义需要的变量，我们看看y = W * x + b中都有哪些变量。

x = tf.placeholder(tf.float32)W = tf.Variable(tf.zeros([1]))b = tf.Variable(tf.zeros([1]))y_ = tf.placeholder(tf.float32)

x：我们训练时需要输入的真实数据x
W: 我们需要训练的W，这里我们定义了一个1维的变量（其实吧，就是一个普普通通的数，直接用tf.float32也行）并将其初值赋为0
b : 我们需要训练的b，定义一个1维变量，并将其初值赋为0
y_ ：我们训练时需要输入的x对应的y

3.定义线性模型

y = W * x + b

4.定义损失函数和优化方法

lost = tf.reduce_mean(tf.square(y_-y))optimizer = tf.train.GradientDescentOptimizer(0.0000001)train_step = optimizer.minimize(lost)

lost = tf.reducemean(tf.square(y- y))

损失函数(Lost Function)是用来评估我们预测的值和真实的值之间的差距是多少，损失函数有很多种写法，我们这里使用（y预测-y真实)^2再取平均数来作为我们的损失函数（用这个函数是有原因的，因为我们用的是梯度下降法进行学习）损失函数的值越小越好，有些教程也叫Cost Function

optimizer = tf.train.GradientDescentOptimizer(0.0000001)

优化函数代表我们要通过什么方式去优化我们需要学习的值，这个例子里指的是W和b，优化函数的种类有很多，大家到官网查阅，平时我们用的比较多的是GradientDescentOptimizer和AdamOptimizer等，这里我们选用最常用也是最最基本的GradientDescentOptimizer（梯度下降），后面传入的值是学习效率。一般是一个小于1的数。越小收敛越慢，但并不是越大收敛越快哈，取值太大甚至可能不收敛了。。。

我们简单介绍下什么是梯度下降，梯度顾名思义就是函数某一点的导数，也就是该点的变化率。梯度下降则顾名思义就是沿梯度下降的方向求解极小值。

详细解释大家可以自行谷歌一下～当然可以可以看这篇文章，当然由于性能的原因梯度下降有很多种变种，例如随机梯度下降 (Stochastic Gradient Descent)，小批梯度下降 (Mini-Batch Gradient Descent)。本文样例采用的是SGD，每次只输入一个数据。

train_step = optimizer.minimize(lost)

这个代表我们每次训练迭代的目的，本例我们的目的就是尽量减小lost的值，也就是让损失函数的值尽量变小

5.变量初始化

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

这个之前有所介绍了，我们需要在Session中真正运行下global_variables_initializer才会真正初始化变量。

6.开始训练

steps = 1000for i in range(steps):    xs = [i]    ys = [3 * i]    feed = { x: xs, y_: ys }    sess.run(train_step, feed_dict=feed)    if i % 100 == 0 :        print("After %d iteration:" % i)        print("W: %f" % sess.run(W))        print("b: %f" % sess.run(b))        print("lost: %f" % sess.run(lost, feed_dict=feed))

我们定义一个训练迭代次数1000次。

这里我们图方便，每次迭代都直接将i作为x，3*i作为y直接当成训练数据。

我们所有通过placeholder定义的值，在训练时我们都需要通过feed_dict来传入数据。

然后我们每隔100次迭代，输出一次训练结果，看看效果如何～

After 0 iteration:W: 0.000000b: 0.000000lost: 0.000000After 100 iteration:W: 0.196407b: 0.002951lost: 78599.671875After 200 iteration:W: 1.249361b: 0.009867lost: 122582.625000After 300 iteration:W: 2.513344b: 0.015055lost: 21310.636719After 400 iteration:W: 2.960238b: 0.016392lost: 252.449890After 500 iteration:W: 2.999347b: 0.016484lost: 0.096061After 600 iteration:W: 2.999971b: 0.016485lost: 0.000001After 700 iteration:W: 2.999975b: 0.016485lost: 0.000001After 800 iteration:W: 2.999978b: 0.016485lost: 0.000001After 900 iteration:W: 2.999981b: 0.016485lost: 0.000000

可以看到在迭代了500次之后效果就很好了，w已经达到2.999347很接近3了，b也达到了0.016484也比较接近0了，因为这里学习率选择的比较小，所以收敛的比较慢，各位也可以尝试调大学习率，看看收敛的速度有何变化。