第六节 实现简单的线性回归

import tensorflow as tf
import os


# 定义命令行参数，"max_step", 100, "模型训练的步数", 三个参数都是必须的，max_step在程序中引用的变量名，100是给第一个参数设置的默认值，第三个参数是第一个参数的参数说明
tf.app.flags.DEFINE_integer("max_step", 100, "模型训练的步数")

# 定义获取命令行参数的名字，在程序中调用aaa.max_step
aaa = tf.app.flags.FLAGS

def myregression():
    """实现一个线性回归"""
    with tf.variable_scope('data'):
        # 定义变量作用域，使代码结构更清晰，而且在TensorBoard可视化中显示更清晰

        # 1.构造数据，x 特征值 [100, 1]  y 目标值 [100]
        x = tf.random_normal([100, 1], mean=1.75, stddev=0.5, name='x_data')

        # 矩阵相乘必须是二维的
        y_true = tf.matmul(x, [[0.7]]) + 0.8

    with tf.variable_scope('model'):
        # 2.建立线性回归模型：1个权重，一个偏置
        # 随机初始化一个权重和偏置的值，计算损失，然后通过梯度下降不断寻找最小损失
        # 权重和偏置必须使用变量定义，因为它们的值是需要不断改变的，trainable参数指定是否随梯度下降进行优化，默认true
        weight = tf.Variable(tf.random_normal([1, 1], mean=0.0, stddev=1.0, name='w'), trainable=True)
        bias = tf.Variable(0.0, name='b')

        y_predict = tf.matmul(x, weight) + bias

    with tf.variable_scope('loss'):
        # 3.建立损失函数，square求平方，reduce_mean求平均值
        loss = tf.reduce_mean(tf.square(y_true-y_predict))

    with tf.variable_scope('optimizer'):
        # 4.梯度下降优化损失，0.1是学习率，minimize最小化损失
        train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

    # 收集tensor，losser是在TensorBoard后台显示的名字
    tf.summary.scalar("losser", loss)
    tf.summary.histogram("w", weight)

    # 定义合并tensor的op，在sess中方便将其添加进事件中
    merge = tf.summary.merge_all()

    # 定义对变量进行初始化的op
    init_op = tf.global_variables_initializer()

    # 定义一个保存模型的实例op
    saver = tf.train.Saver()

    # 通过会话运行程序
    with tf.Session() as sess:
        # 初始化变量
        sess.run(init_op)

        # 打印最先随机初始化的权重和偏置
        print("随机初始化的参数权重：{}，偏置：{}".format(weight.eval(), bias.eval()))

        # 建立事件文件
        filewriter = tf.summary.FileWriter("./tmp/summary/test", graph=sess.graph)

        # 加载模型，覆盖模型当中的一开始随机初始化的参数，让模型接着从上次被打断的地方的参数继续进行
        if os.path.exists("./tmp/ckpt/model/checkpoint"):
            saver.restore(sess, "./tmp/ckpt/model")

        # 循环运行优化
        for i in range(aaa.max_step):
            sess.run(train_op)

            # 运行合并的merge op
            summ = sess.run(merge)

            # 将summ添加入事件中
            filewriter.add_summary(summ, i)

            print("第{}次优化的参数权重：{}，偏置：{}".format(i, weight.eval(), bias.eval()))

        # 保存模型，model保存模型的名字，一定要有
        saver.save(sess, "./tmp/ckpt/model")

if __name__ == "__main__":
    myregression()