TensorFlow 多元线性回归【波士顿房价】

1数据读取

1.1数据集解读

1.2引入包

%matplotlib notebook

import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from sklearn.utils import shuffle

1.2.1pandas介绍

1.2.2TensorFlow下安装pandas

1、激活tensorflow：      Activate tensorflow
2、安装Pandas：          conda install pandas

1.2.3出现“No module named 'sklearn'”错误

原因：未安装sklearn模块

方法：

在anaconda 中安装： conda install scikit-learn

1.3显示数据

# 读取数据文件   boston.csv文件位置自填
df = pd.read_csv("D:学习资料课程学习资料深度学习TensorFlow/boston.csv",header = 0)  

# 显示数据摘要描述信息
print(df.describe()

　

# 打印所有数据，只显示前30行和后三十行
print(df)

　

# 获取df的值
df = df.values
print(df)

　

# 将df转换成np的数组格式 ,内部存储格式不同，方便以后使用np的功能
df = np.array(df)
print(df)

　

# x_data为前12列的数据，实际上是0 - 11列;y_data为最后一列的数据，即12列
x_data = df[:,:12]
y_data = df[:,12]
print(x_data,"
shape = ",x_data.shape)
print(y_data,"
shape = ",y_data.shape)

2模型定义

2.1定义训练的占位符

#定义特征数据和标签数据的占位符
#shape中 None 表示行的数量未知，在实际训练时决定一次代入多少行样本，从一
#个样本的随机SDG到批量SDG都可以
x = tf.placeholder(tf.float32,[None,12],name = "X")  #12个特征数据（12列）
y = tf.placeholder(tf.float32,[None,1],name = "Y")  #1个标签数据（1列）

2.2定义模型结构

定义模型函数

# 定义一个命名空间
with tf.name_scope("model"):
    # w 初始化值为shape =  (12,1)的随机数  stddev为标准差
    w = tf.Variable(tf.random_normal([12,1],stddev = 0.01),name = "w")
    # b 初始化值为 1.0 
    b = tf.Variable(1.0,name = "b")
    #w和x是矩阵相乘，用matmul,不能用mutiply或*
    def model(x,w,b):
        return tf.matmul(x,w) + b
    
    #预测计算操作，前向计算节点
    pred = model(x,w,b)

3模型训练

3.1设置训练超参数

# 迭代轮次
train_epochs = 50

# 学习率
learning_rate = 0.01

3.2定义均方差损失函数

#定义均方差损失函数
with tf.name_scope("LossFunction"):
    loss_function = tf.reduce_mean(tf.pow(y -pred,2))

3.3选择优化器

# 创建优化器
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)

常用优化器包括：

tf.train.GradientDescentOptimizer
tf.train.AdadeltaOptimizer
tf.train.AdagradOptimizer
tf.train.AdagradDAOptimizer
tf.train.MomentumOptimizer
tf.train.AdamOptimizer
tf.train.FtrlOptimizer
tf.train.ProximalGradientDescentOptimizer
tf.train.ProximalAdagradOptimizer
tf.train.RMSPropOptimizer

3.4声明会话

#声明回话
sess = tf.Session()
#定义初始化变量的操作
init = tf.global_variables_initializer()
#启动会话
sess.run(init)

3.5迭代训练

#迭代训练
for epoch in range(train_epochs):
    loss_sum = 0.0
    for xs,ys in zip(x_data,y_data):
        
        #x_data得到的是一维数组，要变成二维数组；y_data得到的是一个常量，要变成二维数组
        xs = xs.reshape(1,12)
        ys = ys.reshape(1,1)
        # Feed 数据必须和Placeholder 的shape 一致
        _,loss = sess.run([optimizer,loss_function],feed_dict={x:xs,y:ys})
        
        loss_sum = loss_sum + loss
    
    #打乱数据顺序
    x_data,y_data = shuffle(x_data,y_data)
    
    b0temp = b.eval(session=sess)
    w0temp = w.eval(session=sess)
    loss_average = loss_sum / len(y_data)
    
    print("epoch=",epoch+1,"loss=",loss_average,"b=",b0temp,"w=",w0temp)

  注：训练结果异常

3.6异常明示

3.6.1原因

 

3.6.2方法

4特征归一化版本

%matplotlib notebook

import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from sklearn.utils import shuffle

# 读取数据文件
df = pd.read_csv("D:学习资料课程学习资料深度学习TensorFlow/boston.csv",header = 0)

# 显示数据摘要描述信息
print(df.describe())

# 获取df的值
df = df.values
print(df)

# 将df转换成np的数组格式 ,内部存储格式不同，方便以后使用np的功能
df = np.array(df)
print(df)

特征归一化

# 对特征数据 【0到11】列 做 （0-1）归一化
for i in range(12):
    df[:,i] = (df[:,i] - df[:,i].min()) / (df[:,i].max() - df[:,i].min())

#x_data 为归一化后的前12列特征数据

x_data = df[:,:12]
#y_data 为最后一列标签数据

y_data = df[:,12]

#定义特征数据和标签数据的占位符
#shape中 None 表示行的数量未知，在实际训练时决定一次代入多少行样本，从一
#个样本的随机SDG到批量SDG都可以
x = tf.placeholder(tf.float32,[None,12],name = "X")  #12个特征数据（12列）
y = tf.placeholder(tf.float32,[None,1],name = "Y")  #1个标签数据（1列）

# 定义一个命名空间
with tf.name_scope("model"):
    # w 初始化值为shape =  (12,1)的随机数  stddev为标准差
    w = tf.Variable(tf.random_normal([12,1],stddev = 0.01),name = "w")
    # b 初始化值为 1.0 
    b = tf.Variable(1.0,name = "b")
    #w和x是矩阵相乘，用matmul,不能用mutiply或*
    def model(x,w,b):
        return tf.matmul(x,w) + b
    
    #预测计算操作，前向计算节点
    pred = model(x,w,b)

# 迭代轮次
train_epochs = 50

# 学习率
learning_rate = 0.01

#定义均方差损失函数
with tf.name_scope("LossFunction"):
    loss_function = tf.reduce_mean(tf.pow(y -pred,2))
    
# 创建优化器
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)

#声明回话
sess = tf.Session()
#定义初始化变量的操作
init = tf.global_variables_initializer()
#启动会话
sess.run(init)

#迭代训练
for epoch in range(train_epochs):
    loss_sum = 0.0
    for xs,ys in zip(x_data,y_data):
        
        #x_data得到的是一维数组，要变成二维数组；y_data得到的是一个常量，要变成二维数组
        xs = xs.reshape(1,12)
        ys = ys.reshape(1,1)
        # Feed 数据必须和Placeholder 的shape 一致
        _,loss = sess.run([optimizer,loss_function],feed_dict={x:xs,y:ys})
        
        loss_sum = loss_sum + loss
    
    #打乱数据顺序
    x_data,y_data = shuffle(x_data,y_data)
    
    b0temp = b.eval(session=sess)
    w0temp = w.eval(session=sess)
    loss_average = loss_sum / len(y_data)
    
    print("epoch=",epoch+1,"loss=",loss_average,"b=",b0temp,"w=",w0temp)

 注：Done！

5模型应用

5.1做预测

# 指定一条数据
n = 345
x_test = x_data[n]

x_test = x_test.reshape(1,12)
predict = sess.run(pred,feed_dict={x:x_test})
print("预测值：%f" % predict)

target = y_data[n]
print("标签值：%f" % target

# 随机确定一条数据
n = np.random.randint(506)
print(n)
x_test = x_data[n]

x_test = x_test.reshape(1,12)
predict = sess.run(pred,feed_dict={x:x_test})
print("预测值：%f" % predict)

target = y_data[n]
print("标签值：%f" % target)

 

6可视化训练过程中的损失值

6.1每轮训练后添加一个这一轮的Loss值

%matplotlib notebook

import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from sklearn.utils import shuffle

# 读取数据文件
df = pd.read_csv("D:学习资料课程学习资料深度学习TensorFlow/boston.csv",header = 0)

# 获取df的值
df = df.values
print(df)

# 将df转换成np的数组格式 ,内部存储格式不同，方便以后使用np的功能
df = np.array(df)
print(df)

# 对特征数据 【0到11】列 做 （0-1）归一化

for i in range(12):
    df[:,i] = (df[:,i] - df[:,i].min()) / (df[:,i].max() - df[:,i].min())

#x_data 为归一化后的前12列特征数据

x_data = df[:,:12]
#y_data 为最后一列标签数据

y_data = df[:,12]

#定义特征数据和标签数据的占位符
#shape中 None 表示行的数量未知，在实际训练时决定一次代入多少行样本，从一
#个样本的随机SDG到批量SDG都可以
x = tf.placeholder(tf.float32,[None,12],name = "X")  #12个特征数据（12列）
y = tf.placeholder(tf.float32,[None,1],name = "Y")  #1个标签数据（1列）

# 定义一个命名空间
with tf.name_scope("model"):
    # w 初始化值为shape =  (12,1)的随机数  stddev为标准差
    w = tf.Variable(tf.random_normal([12,1],stddev = 0.01),name = "w")
    # b 初始化值为 1.0 
    b = tf.Variable(1.0,name = "b")
    #w和x是矩阵相乘，用matmul,不能用mutiply或*
    def model(x,w,b):
        return tf.matmul(x,w) + b
    
    #预测计算操作，前向计算节点
    pred = model(x,w,b)
    
# 迭代轮次
train_epochs = 50

# 学习率
learning_rate = 0.01

#定义均方差损失函数
with tf.name_scope("LossFunction"):
    loss_function = tf.reduce_mean(tf.pow(y -pred,2))
    
# 创建优化器
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)

#声明回话
sess = tf.Session()
#定义初始化变量的操作
init = tf.global_variables_initializer()
#启动会话
sess.run(init)

# 用于保存 loss值得列表
loss_list = []

#迭代训练
for epoch in range(train_epochs):
    loss_sum = 0.0
    for xs,ys in zip(x_data,y_data):
        
        #x_data得到的是一维数组，要变成二维数组；y_data得到的是一个常量，要变成二维数组
        xs = xs.reshape(1,12)
        ys = ys.reshape(1,1)
        # Feed 数据必须和Placeholder 的shape 一致
        _,loss = sess.run([optimizer,loss_function],feed_dict={x:xs,y:ys})
        
        loss_sum = loss_sum + loss
    
    #打乱数据顺序
    x_data,y_data = shuffle(x_data,y_data)
    
    b0temp = b.eval(session=sess)
    w0temp = w.eval(session=sess)
    loss_average = loss_sum / len(y_data)
    
    loss_list.append(loss_average)  # 每轮训练后添加一个这一轮得loss平均值
    
    print("epoch=",epoch+1,"loss=",loss_average,"b=",b0temp,"w=",w0temp)

6.1.2可视化损失值

plt.figure()
plt.plot(loss_list)

# 指定一条数据
n = 345
x_test = x_data[n]

x_test = x_test.reshape(1,12)
predict = sess.run(pred,feed_dict={x:x_test})
print("预测值：%f" % predict)

target = y_data[n]
print("标签值：%f" % target)

6.2每步（单个样本）训练后添加这个Loss值

%matplotlib notebook

import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from sklearn.utils import shuffle

# 读取数据文件
df = pd.read_csv("D:学习资料课程学习资料深度学习TensorFlow/boston.csv",header = 0)

# 获取df的值
df = df.values
print(df)

# 将df转换成np的数组格式 ,内部存储格式不同，方便以后使用np的功能
df = np.array(df)
print(df)

# 对特征数据 【0到11】列 做 （0-1）归一化

for i in range(12):
    df[:,i] = (df[:,i] - df[:,i].min()) / (df[:,i].max() - df[:,i].min())

#x_data 为归一化后的前12列特征数据

x_data = df[:,:12]
#y_data 为最后一列标签数据

y_data = df[:,12]

#定义特征数据和标签数据的占位符
#shape中 None 表示行的数量未知，在实际训练时决定一次代入多少行样本，从一
#个样本的随机SDG到批量SDG都可以
x = tf.placeholder(tf.float32,[None,12],name = "X")  #12个特征数据（12列）
y = tf.placeholder(tf.float32,[None,1],name = "Y")  #1个标签数据（1列）

# 定义一个命名空间
with tf.name_scope("model"):
    # w 初始化值为shape =  (12,1)的随机数  stddev为标准差
    w = tf.Variable(tf.random_normal([12,1],stddev = 0.01),name = "w")
    # b 初始化值为 1.0 
    b = tf.Variable(1.0,name = "b")
    #w和x是矩阵相乘，用matmul,不能用mutiply或*
    def model(x,w,b):
        return tf.matmul(x,w) + b
    
    #预测计算操作，前向计算节点
    pred = model(x,w,b)
    
# 迭代轮次
train_epochs = 50

# 学习率
learning_rate = 0.01

#定义均方差损失函数
with tf.name_scope("LossFunction"):
    loss_function = tf.reduce_mean(tf.pow(y -pred,2))
    
# 创建优化器
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)

#声明回话
sess = tf.Session()
#定义初始化变量的操作
init = tf.global_variables_initializer()
#启动会话
sess.run(init)
# 用于保存 loss值得列表
loss_list = []

#迭代训练
for epoch in range(train_epochs):
    loss_sum = 0.0
    for xs,ys in zip(x_data,y_data):
        
        #x_data得到的是一维数组，要变成二维数组；y_data得到的是一个常量，要变成二维数组
        xs = xs.reshape(1,12)
        ys = ys.reshape(1,1)
        # Feed 数据必须和Placeholder 的shape 一致
        _,loss = sess.run([optimizer,loss_function],feed_dict={x:xs,y:ys})
        
        loss_sum = loss_sum + loss
        loss_list.append(loss)  # 每步添加一次
    
    #打乱数据顺序
    x_data,y_data = shuffle(x_data,y_data)
    
    b0temp = b.eval(session=sess)
    w0temp = w.eval(session=sess)
    loss_average = loss_sum / len(y_data)
    
    print("epoch=",epoch+1,"loss=",loss_average,"b=",b0temp,"w=",w0temp)

6.2.2可视化损失值

plt.figure()
plt.plot(loss_list)

# 指定一条数据
n = 345
x_test = x_data[n]

x_test = x_test.reshape(1,12)
predict = sess.run(pred,feed_dict={x:x_test})
print("预测值：%f" % predict)

target = y_data[n]
print("标签值：%f" % target)

7加上 TensorBoard 可视化代码

%matplotlib notebook

import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from sklearn.utils import shuffle

# 读取数据文件
df = pd.read_csv("D:学习资料课程学习资料深度学习TensorFlow/boston.csv",header = 0)

# 获取df的值
df = df.values
print(df)

# 将df转换成np的数组格式 ,内部存储格式不同，方便以后使用np的功能
df = np.array(df)
print(df)

# 对特征数据 【0到11】列 做 （0-1）归一化

for i in range(12):
    df[:,i] = (df[:,i] - df[:,i].min()) / (df[:,i].max() - df[:,i].min())

#x_data 为归一化后的前12列特征数据

x_data = df[:,:12]
#y_data 为最后一列标签数据

y_data = df[:,12]

#定义特征数据和标签数据的占位符
#shape中 None 表示行的数量未知，在实际训练时决定一次代入多少行样本，从一
#个样本的随机SDG到批量SDG都可以
x = tf.placeholder(tf.float32,[None,12],name = "X")  #12个特征数据（12列）
y = tf.placeholder(tf.float32,[None,1],name = "Y")  #1个标签数据（1列）

# 定义一个命名空间
with tf.name_scope("model"):
    # w 初始化值为shape =  (12,1)的随机数  stddev为标准差
    w = tf.Variable(tf.random_normal([12,1],stddev = 0.01),name = "w")
    # b 初始化值为 1.0 
    b = tf.Variable(1.0,name = "b")
    #w和x是矩阵相乘，用matmul,不能用mutiply或*
    def model(x,w,b):
        return tf.matmul(x,w) + b
    
    #预测计算操作，前向计算节点
    pred = model(x,w,b)
    
# 迭代轮次
train_epochs = 50

# 学习率
learning_rate = 0.01

#定义均方差损失函数
with tf.name_scope("LossFunction"):
    loss_function = tf.reduce_mean(tf.pow(y -pred,2))
    
# 创建优化器
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)

#声明回话
sess = tf.Session()
#定义初始化变量的操作
init = tf.global_variables_initializer()
#启动会话
sess.run(init)

# 用于保存 loss值得列表
loss_list = []

#迭代训练
for epoch in range(train_epochs):
    loss_sum = 0.0
    for xs,ys in zip(x_data,y_data):
        
        #x_data得到的是一维数组，要变成二维数组；y_data得到的是一个常量，要变成二维数组
        xs = xs.reshape(1,12)
        ys = ys.reshape(1,1)
        # Feed 数据必须和Placeholder 的shape 一致
        _,loss = sess.run([optimizer,loss_function],feed_dict={x:xs,y:ys})
        
        loss_sum = loss_sum + loss
    
    #打乱数据顺序
    x_data,y_data = shuffle(x_data,y_data)
    
    b0temp = b.eval(session=sess)
    w0temp = w.eval(session=sess)
    loss_average = loss_sum / len(y_data)
    
    loss_list.append(loss_average)  # 每轮训练后添加一个这一轮得loss平均值
    
    print("epoch=",epoch+1,"loss=",loss_average,"b=",b0temp,"w=",w0temp)

8为TensorFlow可视化准备数据

8.1修改代码

%matplotlib notebook

import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from sklearn.utils import shuffle

# 读取数据文件
df = pd.read_csv("D:学习资料课程学习资料深度学习TensorFlow/boston.csv",header = 0)

# 获取df的值
df = df.values
print(df)

# 将df转换成np的数组格式 ,内部存储格式不同，方便以后使用np的功能
df = np.array(df)
print(df)

# 对特征数据 【0到11】列 做 （0-1）归一化

for i in range(12):
    df[:,i] = (df[:,i] - df[:,i].min()) / (df[:,i].max() - df[:,i].min())

#x_data 为归一化后的前12列特征数据

x_data = df[:,:12]
#y_data 为最后一列标签数据

y_data = df[:,12]

#定义特征数据和标签数据的占位符
#shape中 None 表示行的数量未知，在实际训练时决定一次代入多少行样本，从一
#个样本的随机SDG到批量SDG都可以
x = tf.placeholder(tf.float32,[None,12],name = "X")  #12个特征数据（12列）
y = tf.placeholder(tf.float32,[None,1],name = "Y")  #1个标签数据（1列）

# 定义一个命名空间
with tf.name_scope("model"):
    # w 初始化值为shape =  (12,1)的随机数  stddev为标准差
    w = tf.Variable(tf.random_normal([12,1],stddev = 0.01),name = "w")
    # b 初始化值为 1.0 
    b = tf.Variable(1.0,name = "b")
    #w和x是矩阵相乘，用matmul,不能用mutiply或*
    def model(x,w,b):
        return tf.matmul(x,w) + b
    
    #预测计算操作，前向计算节点
    pred = model(x,w,b)
    
# 迭代轮次
train_epochs = 50

# 学习率
learning_rate = 0.01

#定义均方差损失函数
with tf.name_scope("LossFunction"):
    loss_function = tf.reduce_mean(tf.pow(y -pred,2))
    
# 创建优化器
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)

#声明回话
sess = tf.Session()
#定义初始化变量的操作
init = tf.global_variables_initializer()

8.1.1设置日志存储目录

# 设置日志存储目录
logdir = 'd:/log'

8.1.2创建一个操作，用于记录损失值loss ，后面在TensorBoard 中SCALARS 栏可见

# 创建一个操作，用于记录损失值loss ，后面在TensorBoard 中SCALARS 栏可见
sum_loss_op = tf.summary.scalar("loss",loss_function)

8.1.3把所有需要记录摘要日志文件得合并，方便一次性写入

#把所有需要记录摘要日志文件得合并，方便一次性写入
merged =  tf.summary.merge_all()

#启动会话
sess.run(init)

 8.1.4创建摘要得文件写入器（FileWriter）

#创建摘要write，将计算图写入摘要，后面的在TensorBoard中GRAPHS可见
writer = tf.summary.FileWriter(logdir,sess.graph)

8.1.5writer.add_summary(summary_str, epoch)

# 用于保存 loss值得列表
loss_list = []

#迭代训练
for epoch in range(train_epochs):
    loss_sum = 0.0
    for xs,ys in zip(x_data,y_data):
        
        #x_data得到的是一维数组，要变成二维数组；y_data得到的是一个常量，要变成二维数组
        xs = xs.reshape(1,12)
        ys = ys.reshape(1,1)
        # Feed 数据必须和Placeholder 的shape 一致
        _,summary_str,loss = sess.run([optimizer,sum_loss_op,loss_function],feed_dict={x:xs,y:ys})
        
        writer.add_summary(summary_str,epoch)
        loss_sum = loss_sum + loss
    
    #打乱数据顺序
    x_data,y_data = shuffle(x_data,y_data)
    
    b0temp = b.eval(session=sess)
    w0temp = w.eval(session=sess)
    loss_average = loss_sum / len(y_data)
    
    loss_list.append(loss_average)  # 每轮训练后添加一个这一轮得loss平均值
    
    print("epoch=",epoch+1,"loss=",loss_average,"b=",b0temp,"w=",w0temp)

8.2运行TensorBoard

8.2.1打开Anaconda Prompt　　

激活TensorFlow：       Activate tensorflow
进入日志存储目录 ：     cd  d:log
打开TensorBoard：      tensorboard --logdir=d:log

8.2.2TensorBoard 查看loss　　

 8.2.3TensorBoard查看计算图