tensorflow一步一步实现一个线性回归预测模型

1.指定每段程序的作用域
tf.variable_scope

    #指定作用域tf.variable_scope
    with tf.variable_scope("data"):
        # 1.准备数据, x 特征值 [100,1] y 目标值[100]
        # 指定均值为0.75  方差为0.5
        x = tf.random_normal([100, 1], mean=0.75, stddev=0.5, name="x_data")

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

2. tensorflow可视化
   2.1 查看图的结构

        #tensorboard建立事件文件，查看tensorflow图结构
        filewrite = tf.summary.FileWriter("./",graph=sess.graph)

运行之后，出现文件 events.out.tfevents.1582163016.WELLIN
（1）使用tensrboard查看文件 events.out.tfevents.1582163016.WELLIN
在终端运行命令tensorboard --logdir="./" ./表示events.out.tfevents.1582163016.WELLIN在当前目录下。如下图：

在浏览器中，运行http://localhost:6006/ 出现以下图所示：

（2.2）添加权重参数,损失值等在tensorboard观察的情况 ：
（1）收集变量
（2）合并变量写入事件文件
(3) 运行合并的tensor

#1. 收集tensor
    tf.summary.scalar("losses",loss) #对表量数据进行汇总
    tf.summary.histogram("weights",weight) #记录直方图

    #2.定义合并tensor的op
    meger = tf.summary.merge_all()  #汇总

最后运行合并的tensor

完整代码如下：

import tensorflow as tf
import os 

def myregession():
    """
    自实现一个线性回归预测
    1.添加权重参数,损失值等在tensorboard观察的情况 ：
       （1）收集变量
       （2）合并变量写入事件文件
        (3)  运行合并的tensor
    :return:
    """
    #指定作用域tf.variable_scope
    with tf.variable_scope("data"):
        # 1.准备数据, x 特征值 [100,1] y 目标值[100]
        # 指定均值为0.75  方差为0.5
        x = tf.random_normal([100, 1], mean=0.75, stddev=0.5, name="x_data")

        # 真实值 y = 0.7 * x + 0.8
        # 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个特征 1个权重 一个偏置  y = w*x + b
        # 随机给一个权重和偏置的值，让他去计算损失，然后再当前状态下优化
        # 使用变量才能优化
        # 权重是二维的
        weight = tf.Variable(tf.random_normal([1, 1], mean=0.0, stddev=1.0), name="w")
        # 偏置是一维的
        biase = tf.Variable(0.0, name="b")

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

    with tf.variable_scope("loss"):
        # 3.建立均方差损失函数
        loss = tf.reduce_mean(tf.square(y_true - y_predict))

    with tf.variable_scope("optimizer"):
        # 4.梯度下降优化损失
        leaning_rate = 0.1
        G = tf.train.GradientDescentOptimizer(leaning_rate).minimize(loss)
    #1. 收集tensor
    tf.summary.scalar("losses",loss) #对表量数据进行汇总
    tf.summary.histogram("weights",weight) #记录直方图

    #2.定义合并tensor的op
    meger = tf.summary.merge_all()  #汇总

    #初始化变量
    init_op = tf.global_variables_initializer()
    #定义一个保存模型的实例
    saver = tf.train.Saver()

    #通过会话运行程序
    with tf.Session() as sess:
        # 运行初始化变量
        sess.run(init_op)
        #tensorboard建立事件文件，查看tensorflow图结构
        filewrite = tf.summary.FileWriter("./",graph=sess.graph)
        #打印最先初始化的偏置和权重
        print("随机初始化的参数权重为：%f, 偏置为：%f" % (weight.eval(),biase.eval()))

        #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保存模型和数据
        if os.path.exists("./Model/checkpoint"):
            saver.restore(sess,"./Model/model")

        #循环训练模型，运行梯度优化
        for i in range(200):
            sess.run(G)
            #3.运行合并的tensor
            summary = sess.run(meger)
            filewrite.add_summary(summary,i)

            #输出每次权重和偏置的结果
            print("第%d次优化的参数权重为：%f, 偏置为：%f" % (i, weight.eval(), biase.eval()))
        #保存模型
        saver.save(sess,"./Model/model")

if __name__ == "__main__":
    myregession()