当前位置：首页 > news >正文

8.1 mnist_soft,TensorFlow构建回归模型

news 来源：原创 2024/5/4 23:57:14

背景

之前已经写了很多TensorFlow的基本知识，现在利用TensorFlow实现一些简单的功能，对原来的知识进行串联，并初步入门，该部分共包括三篇，分别实现的是回归模型，浅层神经网络，KNN。

TensorFlow构建回归模型

本代码的构建步骤

建立公式的计算图
损失函数与优化器
加载数据
启动会话，训练与测试

建立计算图

在TensorFlow中构建模型，我们首先需要实现的一个计算图，然后再在Session中运行图，并加载数据，那么首先计算图。

公式到计算图的转化

首先假如，我们有公式 e = (a+b) * (b +1)那么我们就可以将其拆解成五个节点

1. a节点，输入节点
2. b节点，输入节点
3. a+b 节点，计算节点，命名为c
4. b+1 节点，计算节点，命名为d
5. e = c * d 计算节点，输出节点，节点e

如图表示就是
计算图

回归模型

同理logits ：y = wx+b可以转化为


1.x 输入节点
2.w 权重
3.b 偏执
4. y0 = xw 计算节点
5. y = y0 + b 计算节点，输出节点

回归模型的计算图

如图，这就是我们要实现的计算图，但是在实际的使用过程中却还有两点不同，
1. 第一我们实现模型实际上已经向量化好了的，这是机器学习的基础，这里不再重复，你可以去网易云课堂学习吴恩达教授的深度学习课程，里面有不错的介绍。
2. 在TensorFlow中实现该计算图时，是直接一行代码实现的，并没有再构建y0，实际无影响。详细情况请看代码：

# 定义变量
x = tf.placeholder(tf.float32, [None, 784])
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
# 公式
y = tf.matmul(x, W) + b

注意：后面我们使用的时交叉熵回归分类器

损失函数与优化算法

损失函数，我们这里使用的是平均值（平均的是交叉熵分类器的损失）
学习率，设定的为0.5
优化算法，使用的随机梯度下降

# Define loss and optimizer
y_ = tf.placeholder(tf.float32, [None, 10])

cross_entropy = tf.reduce_mean(
  tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y))
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

因为TensorFlow已经实现了自动求导，所以我们就不需要想之前用其他Python类库写机器学习代码那样在自己编写反向求导了（老铁，这波稳如狗）

数据的加载

我们这次使用的时mnist的手写数字数据，你也可以使用其他数据来测试这个回归模型，但是注意修改之前的Tensor 的shape

mnist = input_data.read_data_sets("/home/fonttian/CODE/TensoFlow/Data/MNIST_data", one_hot=True)
# 训练数据
batch_xs, batch_ys = mnist.train.next_batch(100)

最后初始化定义session，初始化所有节点，开始训练和测试吧

sess = tf.InteractiveSession()
tf.global_variables_initializer().run()
sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

# Test trained model
    correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    if (i+1) % 100 == 0:
        print(i+1,":",sess.run(accuracy, feed_dict={x: mnist.test.images,y_: mnist.test.labels}))

全部代码

import tensorflow as tf
import os

from tensorflow.examples.tutorials.mnist import input_data

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

# Import data
mnist = input_data.read_data_sets("/home/fonttian/CODE/TensoFlow/Data/MNIST_data", one_hot=True)

# Create the model
x = tf.placeholder(tf.float32, [None, 784])
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
y = tf.matmul(x, W) + b

# Define loss and optimizer
y_ = tf.placeholder(tf.float32, [None, 10])

cross_entropy = tf.reduce_mean(
  tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y))
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

sess = tf.InteractiveSession()
tf.global_variables_initializer().run()
# Train
for i in range(10000):
    batch_xs, batch_ys = mnist.train.next_batch(100)
    sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

    # Test trained model
    correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    if (i+1) % 100 == 0:
        print(i+1,":",sess.run(accuracy, feed_dict={x: mnist.test.images,y_: mnist.test.labels}))