TensorFlow - 线性回归-云服务器玩法在线实验

第二棵树

实验内容

TensorFlow是由Google开发的用于数值计算的开源软件库，本实验使用 TensorFlow 实现简单的的线性回归模型。

免费在线实验地址：点击进入

实验资源：云服务器，没有云服务器的朋友推荐1折抢购：69元/年的阿里云服务器、或者88元/年的腾讯云服务器

软件环境Ubuntu 14.04 64 位




1、
TensorFlow 实现线性回归模型代码
前期准备

TensorFlow 相关 API 可以到在实验TensorFlow - 相关 API中学习。

模型构建

示例代码：

现在您可以在 /home/ubuntu 目录下创建源文件 linear_regression_model.py，内容可参考：

示例代码：/home/ubuntu/linear_regression_model.py

1. #!/usr/bin/python
   
2. # -*- coding: utf-8 -*
   
3. import tensorflow as tf
   
4. import numpy as np
   
5. 
   
6. class linearRegressionModel:
   
7. 
   
8.   def __init__(self,x_dimen):
   
9.     self.x_dimen = x_dimen
   
10.     self._index_in_epoch = 0
    
11.     self.constructModel()
    
12.     self.sess = tf.Session()
    
13.     self.sess.run(tf.global_variables_initializer())
    
14. 
    
15.   #权重初始化
    
16.   def weight_variable(self,shape):
    
17.     initial = tf.truncated_normal(shape,stddev = 0.1)
    
18.     return tf.Variable(initial)
    
19. 
    
20.   #偏置项初始化
    
21.   def bias_variable(self,shape):
    
22.     initial = tf.constant(0.1,shape = shape)
    
23.     return tf.Variable(initial)
    
24. 
    
25.   #每次选取100个样本，如果选完，重新打乱
    
26.   def next_batch(self,batch_size):
    
27.     start = self._index_in_epoch
    
28.     self._index_in_epoch += batch_size
    
29.     if self._index_in_epoch > self._num_datas:
    
30.         perm = np.arange(self._num_datas)
    
31.         np.random.shuffle(perm)
    
32.         self._datas = self._datas[perm]
    
33.         self._labels = self._labels[perm]
    
34.         start = 0
    
35.         self._index_in_epoch = batch_size
    
36.         assert batch_size <= self._num_datas
    
37.     end = self._index_in_epoch
    
38.     return self._datas[start:end],self._labels[start:end]
    
39. 
    
40.   def constructModel(self):
    
41.     self.x = tf.placeholder(tf.float32, [None,self.x_dimen])
    
42.     self.y = tf.placeholder(tf.float32,[None,1])
    
43.     self.w = self.weight_variable([self.x_dimen,1])
    
44.     self.b = self.bias_variable([1])
    
45.     self.y_prec = tf.nn.bias_add(tf.matmul(self.x, self.w), self.b)
    
46. 
    
47.     mse = tf.reduce_mean(tf.squared_difference(self.y_prec, self.y))
    
48.     l2 = tf.reduce_mean(tf.square(self.w))
    
49.     self.loss = mse + 0.15*l2
    
50.     self.train_step = tf.train.AdamOptimizer(0.1).minimize(self.loss)
    
51. 
    
52.   def train(self,x_train,y_train,x_test,y_test):
    
53.     self._datas = x_train
    
54.     self._labels = y_train
    
55.     self._num_datas = x_train.shape[0]
    
56.     for i in range(5000):
    
57.         batch = self.next_batch(100)
    
58.         self.sess.run(self.train_step,feed_dict={self.x:batch[0],self.y:batch[1]})
    
59.         if i%10 == 0:
    
60.             train_loss = self.sess.run(self.loss,feed_dict={self.x:batch[0],self.y:batch[1]})
    
61.             print('step %d,test_loss %f' % (i,train_loss))
    
62. 
    
63.   def predict_batch(self,arr,batch_size):
    
64.     for i in range(0,len(arr),batch_size):
    
65.         yield arr[i:i + batch_size]
    
66. 
    
67.   def predict(self, x_predict):
    
68.     pred_list = []
    
69.     for x_test_batch in self.predict_batch(x_predict,100):
    
70.       pred = self.sess.run(self.y_prec, {self.x:x_test_batch})
    
71.       pred_list.append(pred)
    
72.     return np.vstack(pred_list)

复制代码

训练模型并和 sklearn 库线性回归模型对比示例代码：

现在您可以在 /home/ubuntu 目录下创建源文件 run.py，内容可参考：

示例代码：/home/ubuntu/run.py

1. #!/usr/bin/python
   
2. # -*- coding: utf-8 -*
   
3. 
   
4. from sklearn.model_selection import train_test_split
   
5. from sklearn.metrics import r2_score
   
6. from sklearn.datasets import make_regression
   
7. from sklearn.linear_model import LinearRegression
   
8. from linear_regression_model import linearRegressionModel as lrm
   
9. 
   
10. if __name__ == '__main__':
    
11.     x, y = make_regression(7000)
    
12.     x_train,x_test,y_train, y_test = train_test_split(x, y, test_size=0.5)
    
13.     y_lrm_train = y_train.reshape(-1, 1)
    
14.     y_lrm_test = y_test.reshape(-1, 1)
    
15. 
    
16.     linear = lrm(x.shape[1])
    
17.     linear.train(x_train, y_lrm_train,x_test,y_lrm_test)
    
18.     y_predict = linear.predict(x_test)
    
19.     print("Tensorflow R2: ", r2_score(y_predict.ravel(), y_lrm_test.ravel()))
    
20. 
    
21.     lr = LinearRegression()
    
22.     y_predict = lr.fit(x_train, y_train).predict(x_test)
    
23.     print("Sklearn R2: ", r2_score(y_predict, y_test)) #采用r2_score评分函数

复制代码

然后执行:

1. cd /home/ubuntu;
   
2. python run.py

复制代码

执行结果：

1. step 2410,test_loss 26.531937
   
2. step 2420,test_loss 26.542793
   
3. step 2430,test_loss 26.533974
   
4. step 2440,test_loss 26.530540
   
5. step 2450,test_loss 26.551474
   
6. step 2460,test_loss 26.541542
   
7. step 2470,test_loss 26.560783
   
8. step 2480,test_loss 26.538080
   
9. step 2490,test_loss 26.535666
   
10. ('Tensorflow R2: ', 0.99999612588302389)
    
11. ('Sklearn R2: ', 1.0)

复制代码

完成