[深度学习] (2):实现简单的线性回归(使用TensorFlow优化)
来源:互联网 发布:淘宝可以延长几天收货 编辑:程序博客网 时间:2024/06/07 08:42
摘要
在学习使用TensorFlow, 动手写了LR的一般实现和TF实现,用的都是GD优化,但是TF明显快啊
PS: TF绘图的时候还加入了动画效果23333 _(:з」∠)_
普通实现
import numpy as npimport matplotlib.pyplot as pltNUM_OF_POINTS = 100NOISE_SHIFT = 20N_ITER = 3000alpha = 0.001X = np.linspace(-10, 10, NUM_OF_POINTS)y = 2 * X + np.random.rand(NUM_OF_POINTS) * NOISE_SHIFTW = np.array([1])bias = 0cost_ = []for i in range(N_ITER): error = X * W + bias - y cost = np.sum(np.square(error)) / (2 * NUM_OF_POINTS) cost_.append(cost) W = W - alpha * np.sum(error * X) / NUM_OF_POINTS bias = bias - alpha * np.sum(error) / NUM_OF_POINTS# plot the resultfig = plt.figure(figsize=(14,5))ax1 = fig.add_subplot(1,2,1)ax1.scatter(X, y, c='r')ax1.plot(X, X*W+bias, c='b')ax2 = fig.add_subplot(1,2,2)ax2.scatter(range(len(cost_)), cost_)plt.show()
结果如下
TensorFlow实现 (绘图的时候还加入了动画效果 : )
import tensorflow as tfimport numpy as npimport matplotlib.pyplot as plt# 演示一个简单的LR回归NUM_OF_POINTS = 100NOISE_SHIFT = 20N_ITER = 200ALPHA = tf.constant(0.0001)X_train = np.linspace(-10, 10, NUM_OF_POINTS)y_train = 2 * X_train + np.random.rand(NUM_OF_POINTS) * NOISE_SHIFT# Model parametersW = tf.Variable([.3], dtype=tf.float32)b = tf.Variable([-.3], dtype=tf.float32)# Model input and outputx = tf.placeholder(tf.float32)linear_model = W * x + by = tf.placeholder(tf.float32)# lossloss = tf.reduce_sum(tf.square(linear_model - y)) # sum of the squares# optimizeroptimizer = tf.train.GradientDescentOptimizer(ALPHA)train = optimizer.minimize(loss)# plot the training datafig = plt.figure(figsize=(14,5))ax = fig.add_subplot(1,2,1)ax.scatter(X_train, y_train)ax_r = fig.add_subplot(1,2,2)plt.ion()plt.show()with tf.Session() as sess: # 对于Variable必须先init才可以使用 init = tf.global_variables_initializer() sess.run(init) loss_ = [] for i in range(N_ITER): print(i) # 去除红线 try: ax.lines.remove(lines[0]) except Exception: pass sess.run(train, {x: X_train, y: y_train}) loss_.append(sess.run(loss, {x: X_train, y: y_train})) prediction = sess.run(linear_model, feed_dict={x: X_train}) lines = ax.plot(X_train, prediction, 'r-', lw=5) ax_r.scatter(i, sess.run(loss, {x: X_train, y: y_train})) plt.pause(0.1) print(sess.run([W, b]))# plt.close()# plt.scatter(range(len(loss_)), loss_)# plt.show()plt.pause(111)
总结
明显看到TF的GD比自己写的快了不少,在100次左右就几乎收敛了,而且步长还小,不知道底层是怎么优化的,直接解正规方程吗2333,还是用牛顿法优化2333,都不会思密达,继续学习,怀挺!
阅读全文
0 0
- [深度学习] (2):实现简单的线性回归(使用TensorFlow优化)
- 使用TensorFlow实现简单的线性回归(LinearRegression)
- Tensorflow学习(一)--使用TensorFlow实现线性回归
- 深度学习-2:tensorflow 入门以及简单的线性拟合
- TensorFlow实现一个简单的线性回归预测
- 深度学习2线性回归,逻辑回归
- 斯坦福CS20SI:基于Tensorflow的深度学习研究课程笔记,Lecture note3:TensorFlow上的线性回归和逻辑回归
- 深度学习-最小二乘法,简单线性回归
- tensorflow 实现线性回归
- Tensorflow实现线性回归
- Tensorflow实现线性回归
- TensorFlow实现线性回归
- 深度学习框架TensorFlow学习(三)----线性回归
- 深度学习笔记2torch实现线性回归
- tensorflow实现线性回归的完整程序
- TensorFlow学习笔记(二):TensorFlow实现线性回归模型
- 【TensorFlow】TensorFlow的线性回归
- 线性回归、梯度下降以及运用TensorFlow进行简单实现
- 【GDOI2018模拟9.23】动态图
- 点亮LED灯
- python apriori
- 随(rand) (概率dp)
- request参数绑定
- [深度学习] (2):实现简单的线性回归(使用TensorFlow优化)
- ubuntu16.04 64位安装tensorflow+cuda8.0+cudnn7.0
- libuv的浅薄理解
- centos6 nat路由转发
- ubuntu中使用apt-get安装zbar
- 原型模式
- ITON
- 条形码和二维码的原理简介
- ACM-ICPC国际大学生程序设计竞赛北京赛区(2017)网络赛-题目9 : Minimum-(线段树)