用TensorFlow訓練第一個模型
阿新 • • 發佈:2018-12-13
簡述
下面有非常詳細的程式碼註釋
這裡的create資料的時候,其實就是建立了一個很簡單的模型,就是說,一條y= 0.1x+0.3
的直線。
然後,我們建立了兩個變數,通過梯度下降的方式,不斷迭代,就可以迭代到我們想要的那幾個解當中。
程式碼
import tensorflow as tf
import numpy as np
# TensorFlow嫌棄了我這臺電腦的CPU(我這就避免了警報)
# ==================
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
# ==================
# create data
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data * 0.1 + 0.3
# 建立兩個變數
# 第一個引數表示的資料規模,後面兩個表示的是資料上下界
Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
# bias初始化為0
biases = tf.Variable(tf.zeros([1]))
# 構建一個y
y = Weights * x_data + biases
# 構建損失函式
loss = tf.reduce_mean(tf.square(y - y_data) )
# 迭代方式(梯度下降法)
optimizer = tf.train.GradientDescentOptimizer(0.5)
# 訓練語句
train = optimizer.minimize(loss)
# 初始化
init = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init) # Very important
for step in range(201):
sess.run(train)
if step % 20 == 0:
print (step, sess.run(Weights), sess.run(biases))