Pycharm2019+Tensorflow2.0 学习文档(九):3-1,低阶API示范1
作者:互联网
总体来说,常见的带监督的机器学习问题主要分为两类:分类和回归,我们使用 Tensorflow 来解决这些问题的时候需要自己搭建网络,但是Tensorflow不同级别的API也就产生了不同的模型搭建方式。越底层的API灵活性越大,可以更加自由的添加自己想加入的内容,但是编码难度有所提高;反之,越高阶的API具有更好的封装性,但是灵活度会有所下降,本次内容先从低阶API示意说明。
1、回归问题
1.1 数据生成
1、首先我们得自己设计一个回归问题,也就是建一个方程,然后训练网络去拟合它。
我们熟知的线性方程:Y = W ∗ X + b Y=W*X+bY=W∗X+b
我们这里生成400个数据,X是在(-10,10)之间的均匀分布,W为(2,-2),b=3,另外添加噪音
# 样本数量
n = 400
# 生成测试用数据集
X = tf.random.uniform([n, 2], minval=-10, maxval=10) # 从均匀分布中随机获得 n 个数据(shape:400*2)
w0 = tf.constant([[2.0], [-3.0]]) # shape: 2*1
b0 = tf.constant([[3.0]]) # shape: 1*1
Y = X @ w0 + b0 + tf.random.normal([n, 1], mean=0.0, stddev=2.0) # @表示矩阵乘法,增加正态扰动 shape: 400*1
然后显示我们自己生成的数据
plt.figure(figsize=(12, 5))
ax1 = plt.subplot(121)
ax1.scatter(X[:, 0], Y[:, 0], c="b")
plt.xlabel("x1")
plt.ylabel("y", rotation=0)
ax2 = plt.subplot(122)
ax2.scatter(X[:, 1], Y[:, 0], c="g")
plt.xlabel("x2")
plt.ylabel("y", rotation=0)
plt.show()
2、简单说明下:
(1)scatter 函数的参数详解可以参考这个位置看下 scatter()
(2)x[m,n]是通过numpy库引用数组或矩阵中的某一段数据集的一种写法,m代表第m维,n代表m维中取第几段特征数据。
典型用法:x[:,n]或者x[n,:]
x[:,n]表示在全部数组(维)中取第n个数据,直观来说,x[:,n]就是取所有集合的第n个数据,
例如:x[:,0],即x中所有的第0列数据
(3)数据显示结果
3、构建数据生成器
整体思路:(1)随机打乱数据下标
(2)遍历数据,每一个batch-size作为一个分割,得到打乱后的下标切片(大小为batch_size)
(3)使用tf.gather() 函数将 X、Y分别和上一步得到的随机下标组合,yield 返回生成器。
# 构建数据管道迭代器
def data_iter(features, labels, batch_size=8):
num_examples = len(features) # 计算容器中一共有多少条信息(400)
indices = list(range(num_examples)) # 记录下标
np.random.shuffle(indices) # 样本的读取顺序是随机的
for i in range(0, num_examples, batch_size):
indexs = indices[i: min(i + batch_size, num_examples)] # 确认选择的 index
# 使用tf.gather()函数将X,Y分别和上一步得到的随机下标组合,yield返回生成器
# tf.gather(params,indices,axis=0)函数是根据indices下标从params中返回对应元素的切片
yield tf.gather(features, indexs), tf.gather(labels, indexs)
# 测试数据管道效果
batch_size = 8
# next 返回迭代器的下一个条目
(features, labels) = next(data_iter(X, Y, batch_size)) # 结果: features shape 8*2; labels shape 8*1
print(features)
print(labels)
4、定义模型
w = tf.Variable(tf.random.normal(w0.shape))
b = tf.Variable(tf.zeros_like(b0, dtype=tf.float32))
# 定义模型
class LinearRegression:
# 正向传播
def __call__(self, x):
return x @ w + b
# 损失函数
def loss_func(self, y_true, y_pred):
return tf.reduce_mean((y_true - y_pred) ** 2 / 2)
model = LinearRegression()
说明: _call_ 是一个特殊方法,一旦定义之后,类的实例可以变成一个可调用对象。
5、训练模型
(1)定义train_step 完成每一步的梯度求取和参数更新
(2)执行训练过程,使用 autograph 进行加速的时候还是很明显的,可以对比观察下。
@tf.function
def train_step(model, features, labels):
with tf.GradientTape() as tape:
predictions = model(features)
loss = model.loss_func(labels, predictions)
# 反向传播求梯度
dloss_lw, dloss_db = tape.gradient(loss, [w, b])
# 梯度下降算法更新参数
w.assign(w - 0.001 * dloss_lw)
b.assign(b - 0.001 * dloss_db)
return loss
def train_model(model,epochs):
for epoch in tf.range(1,epochs+1):
for features, labels in data_iter(X,Y,10):
loss = train_step(model,features,labels)
if epoch%50==0:
printbar()
tf.print("epoch =",epoch,"loss = ",loss)
tf.print("w =",w)
tf.print("b =",b)
train_model(model,epochs = 200)
(3)结果可视化
# 结果可视化
plt.figure(figsize=(12, 5))
ax1 = plt.subplot(121)
ax1.scatter(X[:, 0], Y[:, 0], c="b", label="samples")
ax1.plot(X[:, 0], w[0] * X[:, 0] + b[0], "-r", linewidth=5.0, label="model")
ax1.legend()
plt.xlabel("x1")
plt.ylabel("y", rotation=0)
ax2 = plt.subplot(122)
ax2.scatter(X[:, 1], Y[:, 0], c="g", label="samples")
ax2.plot(X[:, 1], w[1] * X[:, 1] + b[0], "-r", linewidth=5.0, label="model")
plt.xlabel("x2")
plt.ylabel("y", rotation=0)
plt.show()
标签:loss,plt,features,Pycharm2019,labels,Tensorflow2.0,API,tf,model 来源: https://blog.csdn.net/sinat_34520704/article/details/122350306