TensorFlow笔记（2）——利用TensorFlow训练一个最简单的一元线性模型

前言

这是一次使用《TensorFlow笔记（1）——TensorFlow中的相关基本概念》中学习到的知识进行机器学习的实验，一来是为了理解机器学习大概是什么样的，另外一方面也算是将以前学习到的一些知识活学活用。 本次实现的环境为：

• macOS Mojave 10.14.1
• python 3.7.0（pyenv）
• Tensorflow 1.12.0
• numpy 1.15.4

简单介绍下机器学习是什么

机器学习和人类学习的过程：

若是以为上图很差理解的话就再举一个栗子：

假设你有个女友，她特别爱漂亮。为了互相了解，大家每周末都会一块儿约会吃饭；已经约会有8周了，每周吃饭你女友都会比约定时间晚到10分钟-30分钟，因此你每次约会也会比约定时间晚10-30分钟，而且你总结了一个规律(若是约会前打电话她说从家走了，那么基本都是晚到30分钟左右，若是她说就快到了，那么基本会晚到10分钟)，不过你女友后来迟到的时间从十、30分钟变成了1五、45分钟，你也本身调整了约定时间后到达的时间。

根据上述栗子🌰咱们来类比下：

机器学习方法是计算机利用已有的数据(8次约会的经验)，得出了某种模型(迟到的规律)，并利用此模型预测将来(是否迟到)的一种方法。

Tensorflow的基础知识

基础知识在这里我就很少说了，详见《TensorFlow笔记（1）——TensorFlow中的相关基本概念》

构建一个线性模型

先来讲明下咱们须要构建的这个简单的线性模型是什么东西：

假设咱们有个线性模型（一元一次函数）：y=0.1x+0.2，咱们知道这个线性模型长啥样，就是一条直线嘛，可是我如今想让机器也知道这条直线，该怎么作？还记得上面说的那个栗子吗，咱们能够提供一系列相似（x，y）的数据，而后带入y=k*x_data+b，求出k和b的值以后，机器也就知道了这个线性模型长啥样了。

下面来更数学化一点的介绍：

给定一个大小为n的点集 𝑆={(𝑥1,𝑦1),(𝑥2,𝑦2),…(𝑥𝑛,𝑦𝑛)} ，

线性模型的目标就是寻找一组 K 和 𝑏 构成的直线 𝑦=K𝑥+𝑏 ，

使得全部点的损失值 越小越好，由于𝑙𝑜𝑠𝑠越小就代表预测值与真实值的差距越小。

由于若是咱们找到了这么一组 K 和 𝑏 ，咱们就能够预测某一个 的 值。

这里我想多说几句，线性模型在实际应用中不必定能很好的预测 的值，这是由于实际的数据分布也许不是线性的，多是二次、三次、圆形甚至无规则，因此判断何时能用线性模型很重要。只是由于咱们在这里知道了这是线性模型才这么作的，真正构建模型的时候是须要相应的方法的。

代码解读

话很少少，分段来看代码：

1. 导入相应的python包，这里咱们使用了tensorflow和numpy

# tensorflow简单示例
import tensorflow as tf
import numpy as np
复制代码

2. 使用numpy生成1000个随机点，关于numpy的使用，能够查看个人numpy系列笔记

# 使用numpy生成1000个随机点
x_data = np.random.rand(1000)
y_data = x_data*0.1+0.2         # 真实值
复制代码

3. 构造一个线性模型

# 构造一个线性模型
b = tf.Variable(0.)
k = tf.Variable(0.)
y = k*x_data+b                  # 预测值
复制代码

4. 定义损失函数，用于判断y _真实值和y _预测值之间的差距

# 二次代价函数（损失函数）
loss = tf.reduce_mean(tf.square(y_data-y))
复制代码

依次来解释下每一个部分的含义：

• y_data-y:这个地方没啥好解释的，就是真实值和预测值之间的差
• tf.square：这个函数的做用就是求平方
• tf.reduce_mean: 函数用于计算张量tensor沿着指定的数轴（tensor的某一维度）上的的平均值，主要用做降维或者计算tensor（图像）的平均值。

因此上面这三个函数合在一块儿就是计算loss值。

5. 使用GradientDescentOptimizer类建立一个优化器来优化模型，减小loss值，这个类的原理是梯度降低，至于什么是梯度降低，能够参考其余教程，往后会介绍，目前只要知道这么写就行了。

# 定义一个梯度降低法来进行训练的优化器
optimizer = tf.train.GradientDescentOptimizer(0.2)
复制代码

6. 使用优化器来减小loss值,minimize是优化器的一个方法

# 定义一个最小化代价函数
train = optimizer.minimize(loss)
复制代码

7. 初始化上面的全部变量

# 初始化变量
init = tf.global_variables_initializer()
复制代码

8. 利用Session训练咱们的模型

with tf.Session() as sess:	# 定义会话上下文
    sess.run(init)	# 执行初始化操做
    for step in range(3000):  # 训练3000次
        sess.run(train)	# 执行训练操做
        if step % 20 == 0:	# 每隔20步
            print(step, sess.run([k, b]))	# 打印出k和b的值
复制代码

至此，一个最简单的线性模型也就完成了。下面是全部代码：

# tensorflow简单示例
import tensorflow as tf
import numpy as np

# 使用numpy生成1000个随机点
x_data = np.random.rand(1000)
y_data = x_data*0.1+0.2         # 真实值

# 构造一个线性模型
b = tf.Variable(0.)
k = tf.Variable(0.)
y = k*x_data+b                  # 预测值

# 二次代价函数（损失函数）
loss = tf.reduce_mean(tf.square(y_data-y))
# 定义一个梯度降低法来进行训练的优化器
optimizer = tf.train.GradientDescentOptimizer(0.2)
# 定义一个最小化代价函数
train = optimizer.minimize(loss)

# 初始化变量
init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    for step in range(3000):
        sess.run(train)
        if step % 20 == 0:
            print(step, sess.run([k, b]))
复制代码

运行结果的部分截图：

从上面两张图咱们能够明显的看出来，在训练到第2980次的时候，k的结果已经很是很是接近0.1，b也很是很是接近0.2了，由此能够看出，这个模型仍是较为正确的。