【放假第9天】TensorFlow总结2 简单线性回归案例以及梯度爆炸/梯度消失

在这里插入图片描述

随着梯度下降而下降

#里面的值都是初始化的值注意二维表达 0.7和1,1

def myregression():
    #1.准备数据，x特征值，y目标值
    x=tf.random_normal([100,1],mean=1.4,stddev=0.5,name="x_data")
    
    #矩阵相乘必须是二维的
    y_true=tf.matmul(x,[[0.7]])+0.8
    
    #2.建立线性回归模型，一个特征，一个权重，一个偏置 y=xw+b
    #随机给一个权重和偏置的值，然后在当前状态下优化
    #用变量定义才能优化
    
    weight=tf.Variable(tf.random_normal([1,1],mean=0.1,stddev=1.0,name="w"))
    
    bias=tf.Variable(0.0,name="b")
    
    y_predict=tf.matmul(x,weight)+bias
    
    #3.建立损失函数，均方误差
    loss=tf.reduce_mean(tf.square(y_true-y_predict))
    
    #4.梯度下降优化损失  这个API已经被封装了，初始化变量一定要做
    train_op=tf.GrandientDescentOptimizer(0.1).minimize(loss)
    
    #定义一个初始化的op
    init_op=tf.glaobal_variables_initializer()
    
    #通过会话运行程序
    with tf.Session() as sess:
        #初始化变量
        sess.run(init_op)
        #打印随机最先初始化的权重和偏置
        print("随机初始化的参数权重为：%f，偏置为%f"%(weight.eval(),bias.eval()))
        
        #运行优化
        sess.run(train_op)
        
   return None

if __name__ =="__main__":
    myregression()

#现在看来也没什么，就是个知识点的应用吧，加油！

在这里插入图片描述
主要是强调参数调优吧也好像就是只多了个循环而已甚至都没有选另外输出了图

def myregression():
    
    with tf.variable_scope("data"):
    #1.准备数据，x特征值，y目标值
        x=tf.random_normal([100,1],mean=1.4,stddev=0.5,name="x_data")
    
    #矩阵相乘必须是二维的
        y_true=tf.matmul(x,[[0.7]])+0.8
    
    with tf.variable_scope("model"):
    
    
    #2.建立线性回归模型，一个特征，一个权重，一个偏置 y=xw+b
    #随机给一个权重和偏置的值，然后在当前状态下优化
    #用变量定义才能优化
    
        weight=tf.Variable(tf.random_normal([1,1],mean=0.1,stddev=1.0,name="w"))
    
        bias=tf.Variable(0.0,name="b")
    
        y_predict=tf.matmul(x,weight)+bias
    
    #3.建立损失函数，均方误差
    with tf.variable_scope("loss"):
        loss=tf.reduce_mean(tf.square(y_true-y_predict))
    
    #4.梯度下降优化损失  这个API已经被封装了，初始化变量一定要做
    with tf.variable_scope("optimizer"):
         train_op=tf.GrandientDescentOptimizer(0.1).minimize(loss)
    
    #定义一个初始化的op
    init_op=tf.glaobal_variables_initializer()
    
    #通过会话运行程序
    with tf.Session() as sess:
        #初始化变量
        sess.run(init_op)
       
        #循环训练  运行优化
        for i in range(500):
            sess.run(train_op)
            print("随机初始化的参数权重为：%f，偏置为%f"%(weight.eval(),bias.eval()))
            
       #建立事件文件
            filewriter=tf.summary.FileWriter(",/tmp/summary/test",graph=sess.graph)                    
            #这个路径之前没有的话老师会提前建的
            
    return None
    

if __name__ =="__main__":
    myregression()