积分商城

最新搜索： TI大学计划 电机噪声 AI AD16仿真 逆变器资料 devioctl.h
您现在的位置是：首页 > 技术资料 > 基于TensorFlow的线性回归模拟及Python实现
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于TensorFlow的线性回归模拟及Python实现

更新时间：2019-12-24 10:13:01 大小：536K 上传用户：songhuahua查看TA发布的资源 标签：python 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

深度学习已经成为近几年来的研究热点。在诸多深度学习研究工具中,TensorFlow是最流行、最常用系统之一。对TensorFlow进行介绍,并给出一个线性回归案例,使用Python语言进行实现。由此,既可以对TensorFlow的入门学习者助一臂之力,又可以使深度学习的爱好者从中受益。


部分文件列表

文件名 大小
基于TensorFlow的线性回归模拟及Python实现.pdf 536K

【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）
开发案例  
文章编号：1007-1423（2018）29-0092-03  
DOI：10.3969/j.issn.1007-1423.2018.29.020  
基于 TensorFlow 的线性回归模拟及 Python 实现  
刘玉坤，邢立国  
（平顶山学院计算机学院（软件学院），平顶山 467000）  
摘要：  
深度学习已经成为近几年来的研究热点。在诸多深度学习研究工具中，TensorFlow 是最流行、最常用系统之一。对  
TensorFlow 进行介绍，并给出一个线性回归案例，使用 Python 语言进行实现。由此，既可以对 TensorFlow 的入门学习  
者助一臂之力，又可以使深度学习的爱好者从中受益。  
关键词：  
深度学习；TensorFlow；线性回归  
进行深层神经网络的大规模训练。TensorFlow 已经成  
0
引言  
为世界上最受欢迎的开源机器学习框架，它支持的语  
言有 C++、Python，它具有快速、灵活并适合产品级大规  
模应用等特点，同时 TensorFlow 也支持多系统，主要的  
支持系统有 Linux、Mac OS X、Windows 等，TensorFlow  
让每个开发者和研究者都能方便地使用人工智能来解  
决多样化的挑战[3]。  
在这个人工智能的时代，作为一个有理想抱负的  
程序员，或者学生、爱好者，不懂深度学习这个超热的  
话题，似乎已经跟时代脱节了[1]。深度学习目前已经成  
为了人工智能领域的突出话题。它因在“自然语言处  
理”、“人机博弈”、“语音识别”的卓越表现而闻名，甚至  
为人类所不及。当今对深度学习的关注度也在不断攀  
升。在诸多深度学习系统中，TensorFlow 是一款最受欢  
迎学习系统[2]。在本文介绍了 TensorFlow，描述了一个  
线性回归的案例及其 Python 实现。  
2
线性回归  
在神经网络中，分类网络的最终层通常包含某种  
形式的逻辑回归算法，用于将连续数据转换为形如 0  
和 1 的虚拟变量（例如，在飞行员的选拔中，根据一些  
学生的身高、体重和健康情况判断他们是否合格），而  
真正意义上的回归算法则用于将一组连续的输入映射  
至另一组连续的输出[3]。描述两个变量 x 和 y 之间关  
系的简单线性回归模型可以用下面的方程表示 y=a+  
bx+e，数字 a 和 b 称为参数，e 是误差项。在本次讨论  
中为了简化模型。设计线性模型如下，假设一个模型  
1
TensorFlow简介  
TensorFlow 是 2015 年 11 月 9 日谷歌推出的开源  
机器学习框架，TensorFlow 是由 Jeff Dean 为首的开发  
团队由第一代深度学习系统 DistBilief 改进而来的。但  
是对于大规模的神经网络训练要求更大的部署空间，  
DistBilief 已力不从心，TensorFlow 允许用户通过赋值  
和并行执行一个核心的模型数据流图来轻松实现多种  
并行度。其可以由许多不同的计算设备协作来更新一  
套共享参数或者其他状态。因此好多用户已经转向  
TensorFlow。这些用户依靠 TensorFlow 进行研究和生  
产，其任务多种多样，例如在手机上运行计算机视觉模  
型的推理，以及使用数百个示例记录对数千亿个参数  
wi + b  
∑
的输入 y 和 xi 满足一下关系，y=  
，模型的输出  
i
为输入的加权和。下面通过 TensorFlow 来实现一元的  
线性回归模型的训练，通过训练数据，推测出线性回归  
函数（y=w*x+b）中 w 和 b 的值，并通过验证数据，验证  
得到的函数是否符合预期。  
ꢀ
现代计算机 2018.10 中  
开发案例  
数。一般在上面这个函数的后面还会加一个最小化代  
3
Python实现  
价函数，构成深度学习中的训练对象。在 TensorFlow  
中调整假设函数，使用梯度下降算法找最优解。  
optimizer = tf.train.GradientDescentOptimizer（0.08）  
train = optimizer.minimize（cost）  
（1）模块引入  
模块是 Python 中的一个重要概念，Python 的程序  
是由一个个模块组成的。在使用一个模块的函数或类  
之前，首先要导入该模块[4]。首先引入 TensorFlow 模  
块，为了清晰了解训练结果，引入绘图表，引入测试数  
据模块（此模块代码从略）。  
with tf.Session（）as sessio∶ #初始化所有变量值  
init = tf.global_variables_initializer（）  
sessio.run（init） #初始化 W 和 b 的值  
prin（t "cost=",sessio.run（cost）,"W=",sessio.run（W）,"b=",  
sessio.run（b））  
import tensorflow as tf matplotlib.pyplot as pyp testdata as td  
（2）得到训练数据  
通过 testData 来模拟第三方接口，getTrainData 得  
到训练数据参数：dataLength（得到数据的个数），返回  
值：二维数组[0]代表 x（横坐标），[1]代表 y（纵坐标），  
getValidateData 得到验证数据参数：dataLength 得到数  
据的个数。  
for k in range（500）∶ #循环运行  
sessio.run（train）  
print（"cost=", sessio.run（cost）, "W=", sessio.run（W）,  
"b=", sessio.run（b））输出 W 和 b  
prin（t "训练完成"）  
pyp.plot（practice_x, practice_y, 'ro', label='train data'）  
#构造图形结构  
trainData = td.getTrainDate（200）  
practice_x = [v[0] for v in trainData]  
pyp.plo（t practice_x, sessio.run（y）, label='tain result'）  
pyp.legend（）  
practice_y = [v[1] for v in trainData]  
（3）构造预测的线性回归函数 y=W*x+b  
W = tf.Variable（tf.random_uniform（[1]））  
pyp.show（）  
b = tf.Variable（tf.zeros（[1]））  
4
程序运行界面效果  
y = W * practice_x + b  
该程序运行的结果效果如图 1 所示。通过图像显  
（4）判断假设函数的好坏，首先构造代价函数  
2
示，使用 TensorFlow 进行线性回归模拟求解很好地实  
现一次函数的参数模拟求解，并且使用该一次函数求  
值并且加上随机误差的点均匀地分布在直线附近。非  
常直观，见图 1：  
1
2n  
cos t =  
||y x - aL||  
，这里我们使用二次代价函数其  
( )  
∑
x
中，cost 表示代价函数，x 表示样本，y 表示实际值，a 表  
示输出值，n 表示样本的总数。为简单起见，使用一个  
样 本 为 例 进 行 说 明 ，此 时 二 次 代 价 函 数 为  
(y - a)2  
cost=  
。
2
cost = tf.reduce_mean（tf.square（y-practice_y））  
（5）参数优化。学习率（learning_rate）可理解为每  
一次梯度下降的步长，一般设置学习率小于 0.1，此处  
我们设置为 0.08。当学习率过大时，可能导致参数在  
最低点附近来回震荡，始终到达不了最优点；当学习率  
过小时，前期梯度下降的速度极其慢，浪费时间。所以  
最优的方法是前期学习率设置大点，让梯度迅速下降，  
随后慢慢将学习率减小，以求达到最优点[5]。深度学习  
常见的是对于梯度的优化，也就是说，优化器最后其实  
就是各种对于梯度下降算法的优化。在本程序中我们  
使 用 了 tf.GradientDescentOptimizer（learning_rate）函  
图1 效果模拟图  
5
结语  
本文首先介绍了 TensorFlow，之后给出了线性回归  
ꢁ
现代计算机 2018.10 中  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号