基于tensorflow实现一个线性回归预测，tensorboard展示

一、线性回归原理
根据数据建立回归模型，w1x1+w2x2+……+wnxn+b = y，通过真实值与预测值之间建立误差，使用梯度下降优化得到损失最小对应的权重和偏置。最终确定模型的权重和偏置参数。最后可以用这些参数进行预测。
二、实现方式
该部分采用python编程语言实现线性回归，用pycharm导入tensorflow环境，编写完成后，并执行代码，用anaconda prompt命窗口，用activate tensorflow启动tensorflow环境，并使用cd命令进入到训练的event文件的目录，并执行tensorboard –logdir=“event文件所在目录”***（注意一定要全英的路径）***，用chrom打开tensorboard观察训练后数据的变化。


运行一次后的数据：

运行四次后的数据：
代码结构：

程序部分说明：
1、准备数据
使用API：matmul矩阵运算、random_normal生成随机数
x = tf.random_normal([100, 1], mean=1.75, stddev=0.5, name=“x_data”)
y_true = tf.matmul(x, [[0.7]]) + 0.8
2、建立线性回归模型
随机给一个权重和偏置的值，让它去计算损失，然后在当前状态下优化
代码实现：
weight = tf.Variable(tf.random_normal([1, 1], mean=0.0, stddev=1.0), name=“w”)
bais = tf.Variable(0.0, name=“b”)
y_predict = tf.matmul(x, weight) + bais
3、建立损失函数，均方误差
公式：(y1-y2)^2+(y2-y3)2+……+(y100-y101)^2/100
使用API：reduce_mean 均值
代码实现：
loss = tf.reduce_mean(tf.square(y_true - y_predict))
4、梯度下降，去优化损失
梯度下降API： tf.train.GradientDescentOptimizer
代码实现：
train_op=tf.train.GradientDescentOptimizer(learning_rate=0.1).minimize(loss)
5、使数据更加接近目标值
（1）为了数据更进一步的接近目标值，收集tensor,合并变量写入事件文件
使用API：
tf.summary.scalar收集对于损失函数和准确率等单值变量
tf.summary.histogram收集高维度的变量参数
实现代码：
tf.summary.scalar(“losses”, loss)
tf.summary.histogram(“weights”, weight)
（2）加载模型，覆盖模型当中随机定义的参数，从上次训练的参数结果开始
使用API：
模型的保存saver.save
模型的加载saver.restore
代码实现：
saver = tf.train.Saver()
saver.save(sess, “./ckpt/model”)
if os.path.exists("./ckpt/model/checkpoint"):saver.restore(sess, “./ckpt/model”)

import tensorflow as tf
import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'


# 实现一个线性回归预测
# variable_scope定义变量作用率

def myregression():
    with tf.variable_scope("data"):
        # 1、准备数据，x特征量[100,1]y目标值[100]
        # matmul矩阵运算
        x = tf.random_normal([100, 1], mean=1.75, stddev=0.5, name="x_data")
        y_true = tf.matmul(x, [[0.7]]) + 0.8
    with tf.variable_scope("model"):
        # 2、建立线性回归模型，1个特征，1个权重，1个偏置y = wx +b   random_normal生成随机数
        # 随机给一个权重和偏置的值，让她去计算损失，然后在当前状态下优化
        # 用变量定义才能优化
        # trainable参数:指定这个变量能跟着梯度下降一起优化
        weight = tf.Variable(tf.random_normal([1, 1], mean=0.0, stddev=1.0), name="w")
        bais = tf.Variable(0.0, name="b")
        y_predict = tf.matmul(x, weight) + bais

    with tf.variable_scope("loss"):
        # 3、建立损失函数，均方误差
        # reduce_mean 均值
        loss = tf.reduce_mean(tf.square(y_true - y_predict))
    with tf.variable_scope("optimizer"):
        # 4、梯度下降，优化损失,learning_rate 0~1
        # 梯度下降 tf.train.GradientDescentOptimizer
        train_op = tf.train.GradientDescentOptimizer(learning_rate=0.1).minimize(loss)
    # 收集tensor,合并变量写入事件文件
    # tf.summary.scalar收集对于损失函数和准确率等单值变量
    # tf.summary.histogram收集高维度的变量参数
    tf.summary.scalar("losses", loss)
    tf.summary.histogram("weights", weight)
    # 定义合并tensor的op，每次迭代都需要运行
    merged = tf.summary.merge_all()
    # 定义一个初始化的op，通过会话运行程序
    init_op = tf.global_variables_initializer()
    # 定义一个保存模型的实例
    # 模型的保存saver.save
    # 模型的加载saver.restore
    saver = tf.train.Saver()
    with tf.Session() as sess:
        # 初始化变量
        sess.run(init_op)
        # 打印随机最先初始化的权重和偏置
        print("随机初始化的参数权重为：%f，偏置为：%f" % (weight.eval(), bais.eval()))
        # 建立事件文件
        filewriter = tf.summary.FileWriter("./test/", graph=sess.graph)
        # 加载模型，覆盖模型当中随机定义的参数，从上次训练的参数结果开始
        if os.path.exists("./ckpt/model/checkpoint"):
            saver.restore(sess, "./ckpt/model")
        # 循环训练优化
        for i in range(500):
            # 运行优化
            sess.run(train_op)
            # 运行合并的tensor
            summary = sess.run(merged)
            filewriter.add_summary(summary, i)
            print("第%d次优化的参数权重为：%f，偏置为：%f" % (i, weight.eval(), bais.eval()))
        saver.save(sess, "./ckpt/model")
    return None


if __name__ == '__main__':
    myregression()