《Tensorflow机器学习实战》笔记

最新推荐文章于 2024-04-30 17:39:09 发布

Weyoung_

最新推荐文章于 2024-04-30 17:39:09 发布

阅读量457

点赞数

CC 4.0 BY-SA版权

分类专栏： tensorflow

本文链接：https://blog.youkuaiyun.com/Weyoung_/article/details/79663060

tensorflow 专栏收录该内容

4 篇文章

订阅专栏

本文详细介绍使用TensorFlow实现模型优化的过程，包括定义输入数据、目标数据、损失函数及优化器等关键步骤，并通过实例展示了如何调整学习速率来改善模型表现。此外，还介绍了模型评估的方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

2.7:tensorflow实现模型优化

步骤：1）定义输入数据 2）定义目标数据（label） 3）定义输入的placeholder 4）定义目标的placeholder 5）定义需要更新的权重（tf.Variable）

6）定义目标的产生方式（输入数据与权重之间的运算） 7）定义损失函数 8）声明优化器 9）在循环中将数据送入优化器进行优化

batch_size = 20
x_vals = np.random.normal(1, 0.1, 100)
y_vals = np.repeat(10., 100)
x_data = tf.placeholder(shape=[None, 1], dtype=tf.float32)
y_target = tf.placeholder(shape=[None, 1], dtype=tf.float32)
A = tf.Variable(tf.random_normal(shape=[1,1]))
my_output = tf.matmul(x_data, A)
loss = tf.reduce_mean(tf.square(my_output-y_target))
init = tf.global_variables_initializer()
sess.run(init)
my_opt = tf.train.GradientDescentOptimizer(0.5)
train_step = my_opt.minimize(loss)
loss_batch = []

for i in range(100):
    rand_index = np.random.choice(100,size=batch_size)
    rand_x = np.transpose([x_vals[rand_index]])
    rand_y = np.transpose([y_vals[rand_index]])
    
    sess.run(train_step, feed_dict={x_data:rand_x,y_target:rand_y})
    if (i+1)%5 == 0:
        print('Step # ' + str(i+1) + ' A = ' + str(sess.run(A)))
        temp_loss = sess.run(loss,feed_dict={x_data:rand_x, y_target:rand_y})
        print('Loss = ' + str(temp_loss))
        loss_batch.append(temp_loss)

书中学习速率为0.002,运行结果较差，当改为0.5时，结果较好。当不使用batch训练时，0.002运行结果较好。原因不明，日后考虑。