深度学习在单线性回归方程中的应用–TensorFlow实战详解

其实机器学习就是让机器自己学习的算法，我们需要训练出这个算法，在利用这个算法解决一些问题。机器学习和人工智能的关系就是，机器学习是技术，人工智能是概念，机器学习技术用来解决人工智能出现的问题。

显而易见的说，机器学习就是训练如下的一个模型，用这个模型解决问题，那么如何训练呢？那就是通过历史数据来训练。

深度学习是机器学习的一个子集，深度学习是利用深度的神经网络，将模型处理得更为复杂，从而使模型对数据的理解更加深入。

# 图象实现
%matplotlib inline
import matplotlib.pyplot as plt
import numpy as np
import tensorflow.compat.v1 as tf
#关闭Eager Execution
tf.compat.v1.disable_eager_execution()
#设置随机数种子
np.random.seed(5)

x_data=np.linspace(-1,1,100)
# y=2x+1+噪声
y_data=2*x_data+1.0+np.random.randn(*x_data.shape)*0.4

# 画出随机数生成的散点图
plt.scatter(x_data,y_data)
# 画出我们的目标，也就是希望得到的函数y=2*x+1
plt.plot(x_data,2*x_data+1.0,color='red',linewidth=3)

x=tf.placeholder("float",name="x")
y=tf.placeholder("float",name="y")
# 定义模型函数
def model(x,w,b):
    return tf.multiply(x,w)+b

w=tf.Variable(1.0,name="w0")
b=tf.Variable(0.0,name="b0")
pred=model(x,w,b)#预测值的计算

设置训练参数，在这里 learn_rate学习率和迭代次数 train_epochs是超参量参数，也就是我们在训练一个模型的时候必须自己人工定义的参数，通过这种参数去让模型更好的拟合，达到我们希望的效果。我们常说调参调参就是指这个。

#迭代次数
train_epochs=10
#学习率
learn_rate=0.05

# 采用均方差作为损失函数
loss_function=tf.reduce_mean(tf.square(y-pred))

我们定义优化器的目的是减少模型的损失，使得损失最小化。我们在优化器 Optimzer中会通过 learn_rate学习率和 loss_function损失函数来优化收敛我们的模型。我们在讨论损失函数的时候，我们希望损失最小，那么我们就要求出损失函数的最小值。怎么求呢？我们需要用到 梯度下降算法。

# 梯度下降优化器
optimizer=tf.train.GradientDescentOptimizer(learn_rate).minimize(loss_function)

在这里我们将步长称为 学习率，也就是上面代码中的 learn_rate。学习率不能过大过小，需要我们根据经验设置，过大过小都会导致模型拟合过度。

其实我们上面定义的优化器 GradientDescentOptimizer(learn_rate).minimize(loss_function)已经帮我们干了上面所有的事情，它直接通过我们设置好的步长学习率和损失函数，将我们的模型损失降到了最低，也就是上面这张图所需要的效果。

sess=tf.Session()
# 所有变量初始化
init=tf.global_variables_initializer()
sess.run(init)

# epoch就是训练轮数，这里为10
for epoch in range(train_epochs):
    for xs,ys in zip(x_data,y_data):
        _,loss=sess.run([optimizer,loss_function],feed_dict={x:xs,y:ys})#核心
    b0temp=b.eval(session=sess)
    w0temp=w.eval(session=sess)
    plt.plot(x_data,w0temp*x_data+b0temp)

print("w:",sess.run(w))
print("b:",sess.run(b))
x_test=3.21 #这是预测值
predict=sess.run(pred,feed_dict={x:x_test})
print("预测值：%f" % predict)
target=2*x_test+1.0
print("目标值：%f" % target)

%matplotlib inline

import matplotlib.pyplot as plt
import numpy as np
import tensorflow.compat.v1 as tf
tf.compat.v1.disable_eager_execution()

np.random.seed(5)

x_data=np.linspace(-1,1,100)
y_data=2*x_data+1.0+np.random.randn(*x_data.shape)*0.4
plt.scatter(x_data,y_data)
plt.plot(x_data,2*x_data+1.0,color='red',linewidth=3)

x=tf.placeholder("float",name="x")
y=tf.placeholder("float",name="y")
def model(x,w,b):
    return tf.multiply(x,w)+b

w=tf.Variable(1.0,name="w0")
b=tf.Variable(0.0,name="b0")
pred=model(x,w,b)

#设置迭代次数和学习率、损失函数
train_epochs=10
learn_rate=0.05
loss_function=tf.reduce_mean(tf.square(y-pred))

optimizer=tf.train.GradientDescentOptimizer(learn_rate).minimize(loss_function)

sess=tf.Session()

init=tf.global_variables_initializer()

sess.run(init)

for epoch in range(train_epochs):
    for xs,ys in zip(x_data,y_data):
        _,loss=sess.run([optimizer,loss_function],feed_dict={x:xs,y:ys})
    b0temp=b.eval(session=sess)
    w0temp=w.eval(session=sess)
    plt.plot(x_data,w0temp*x_data+b0temp)
    
print("w:",sess.run(w))
print("b:",sess.run(b))

x_test=3.21
predict=sess.run(pred,feed_dict={x:x_test})
print("预测值：%f" % predict)

target=2*x_test+1.0
print("目标值：%f" % target)