TensorFlow拟合线性函数

简单的TensorFlow图构造

以单个神经元为例

x_data数据为20个随机 [0， 1） 的32位浮点数按照 shape=[20] 组成的张量

y_data为 y = 3*x_data + 0.5 也为 shape=[20]

初始化此神经元的 weight 为 [-1, 1) 之间的一个随机32位浮点数

初始化此神经元的 bias 为 0

误差（Loss）选择为神经元输出结果与y_data的差平方平均值

Optimizer概览

Optimizer的选择一般由data的size及shape决定

class tf.train.GradientDescentOptimizer

随机梯度下降优化器，SGD，stochastic gradient descent，最普通，最慢，相对比较准确

Learing Rate根据Cost选择

class tf.train.MomentumOptimizer

动量法优化器，普遍，比GradientDescent快的多，开始可能偏差较大，后来纠正很快，随时间迁移

class tf.train.AdamOptimizer 普遍

class tf.train.AdadeltaOptimizer

class tf.train.AdagradOptimizer

class tf.train.FtrlOptimizer

class tf.train.RMSPropOptimizer AlphaGo使用

Gradient Descent Optimizer

梯度下降优化器 learning rate 0.75

三个数值为weight bias loss

200步之后 3. 0.5 0.0 完美

其他Optimizer

todo: 改变 learing rate 及其他参数对其他Optimizer进行测试

Code

import tensorflow as tf

# to fitting an unary linear function

# creat data

x_data = tf.random_uniform([20], 0, 1)

y_data = x_data*3 + 0.5

# creat tensorflow stuctrue start

Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0))

biases = tf.Variable(tf.zeros([1]))

output = Weights*x_data + biases

loss = tf.reduce_mean(tf.square(output - y_data))

optimizer = tf.train.AdamOptimizer(0.75)

train = optimizer.minimize(loss)

# creat tensorflow stuctrue end

# run tensorflow

init = tf.initialize_all_variables()

with tf.Session() as sess:

    sess.run(init)

    for i in range(1, 201):

        sess.run(train)

        if i%20 == 0:

            #print("x_data:\n", x_data,"\ny_data:\n", y_data)

            print(i, sess.run(Weights), sess.run(biases), sess.run(loss))