TensorFlow --- 建立第一个模型

深度学习的四个步骤

(1)准备数据
(2)搭建模型
(3)迭代训练
(4)使用模型
1.准备数据
这里使用y=2x为主体，通过加入一些干扰噪声让它的等号变成约等于

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

# np.linspace()函数。在指定的间隔内返回均匀间隔的数字
train_X = np.linspace(-1, 1, 100)
# Y的值。　
# np.random.randn(*train_X.shape) 等价与np.random.randn(100)
train_Y = 2 * train_X + np.random.randn(*train_X.shape) * 0.3

# 显示数据
plt.plot(train_X, train_Y, 'ro', label='Original data')
# 显示图例
plt.legend()
plt.show()

２.搭建模型
(1)正向搭建模型

# x和y为占位符，一个代表x的输入;另一个代表对应的真实值y
X = tf.placeholder('float')
Y = tf.placeholder('float')

# 模型参数。w被初始化程[-1,1]的随机数,b的初始化为0,都是一维的数字
W = tf.Variable(tf.random_normal([1]), name='weight')
<tf.Variable 'weight:0' shape=(1,) dtype=float32_ref>

b = tf.Variable(tf.zeros([1]), name='bias')
<tf.Variable 'bias:0' shape=(1,) dtype=float32_ref>

# 前向结构
# tf.multiply()函数。两个数相乘
z = tf.multiply(X, W) + b

(2)反向搭建模型

# 反向优化
# 定义一个cost，等于生成值与真实值的平方差
cost = tf.reduce_mean(tf.square(Y - z))
# 定义一个学习率，代表调整参数的速度
# 值越大，表示调整的速度越快，但不精确；值越小，表示调整的速度越慢，但精度高
learning_rate = 0.01
# GradientDescentOptimizer()。是一个封装好的梯度下降函数
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)

3迭代训练
(1)训练模型

# 初始化所有变量
init = tf.global_variables_initializer()
# 定义参数
training_epochs = 20
display_step = 2

# 启动session
with tf.Session() as sess:
    sess.run(init)
    # 存放批次值和损失值
    plotdata = {"batchsize":[], "loss":[]}  
    for epoch in range(training_epochs):
        for(x, y) in zip(train_X, train_Y):
            sess.run(optimizer, feed_dict={X:x, Y:y})

        # 显示训练中的详细信息
        if epoch % display_step == 0:
            loss = sess.run(cost, feed_dict={X:train_X, Y:train_Y})
            print("Epoch:", epoch+1, "cost=", loss, "W=", sess.run(W), "b=", sess.run(b))
            if not (loss == "NA"):
                plotdata["batchsize"].append(epoch)
                plotdata["loss"].append(loss)
    print("Finished!")
    print("cost=", sess.run(cost, feed_dict={X:train_X, Y:train_Y}), "w=", sess.run(w), "b=", sess.run(b))

(2)训练模型可视化

plotdata = {'batchsize':[], 'loss':[]}
def moving_average(a, w=10):
    if len(a) < w:
        return a[:]
    return [val if idx < w  else sum(a[(idx-w:idx)])/w for idx, val in enumerate(a)]

plt.plot(train_X, train_Y, 'ro', label='Original data')
plt.plot(train_X, sess.run(W) * train_X + sess.run(b), label='Fittedline')
plt.legend()
plt.show()

pltdata['avgloss'] = moving_average(plotdata['loss'])
plt.figure(1)
plt.subplot(211)
plt.plot(plotdata['batchsize'], plotdata['avgloss'], 'b--')
plt.xlabel('Minibatch number')
plt.ylabel('Loss')
plt.title('Minbatch run vs. Training loss') 
plt.show()

4.使用模型

print('x=0.2, z=', sess.run(z, feed_dict={X:0.2}))
结果为：
x=0.2, z= [0.4408053]