C語言中文網 目錄
TensorFlow
1 TensorFlow是什么
2 TensorFlow安裝和下載
3 第一個TensorFlow程序
4 TensorFlow程序結構
5 TensorFlow常量、變量和占位符
6 TensorFlow矩陣基本操作
7 TensorFlow TensorBoard數據流圖可視化
8 TensorFlow代碼自動升級為1.0版本
9 TensorFlow XLA
10 TensorFlow指定CPU和GPU設備
11 TensorFlow與深度學習
12 TensorFlow常用Python擴展包
13 回歸算法有哪些
14 TensorFlow損失函數
15 TensorFlow優化器
16 TensorFlow csv文件讀取數據
17 TensorFlow實現簡單線性回歸
18 TensorFlow實現多元線性回歸
19 TensorFlow邏輯回歸處理MNIST數據集
20 感知機與神經網絡
21 TensorFlow常用激活函數(6種)
22 TensorFlow實現單層感知機
23 TensorFlow實現反向傳播算法
24 TensorFlow多層感知機實現MINIST分類
25 TensorFlow多層感知機函數逼近
26 TensorFlow超參數
27 TensorFlow Keras
28 CNN卷積神經網絡
29 三維卷積神經網絡預測MNIST數字
30 卷積神經網絡分類圖片
31 遷移學習
32 DeepDream網絡
33 TensorFlow實現文本情感分析
34 VGG網絡濾波器
35 VGGNet、ResNet、Inception和Xception
36 預建深度學習提取特征及實現
37 TensorFlow實現InceptionV3
38 TensorFlow WaveNet聲音合成
39 TensorFlow視頻分類(6種方法)
40 RNN循環神經網絡
41 神經機器翻譯(seq2seq RNN)
42 注意力機制(基于seq2seq RNN)
43 RNN訓練模型并生成文本
44 RNN循環神經網絡實現預測比特幣價格
45 主成分分析法(PCA)
46 k均值聚類算法
47 SOM自組織映射法
48 受限玻爾茲曼機訓練
49 推薦系統的實現(基于RBM)
50 基于DBN實現情緒檢測
51 自編碼器
52 標準自編碼器
53 稀疏自編碼器
54 去燥自編碼器
55 卷積自編碼器
56 堆疊自編碼器
57 強化學習
58 OpenAI Gym安裝和使用
59 全連接神經網絡實現玩Pac-Man游戲
60 Q learning實現Cart-Pole平衡游戲
61 DQN算法(深度Q網絡)
62 David Silver策略梯度算法
63 深度學習在移動端的應用
64 Android移動端部署TensorFlow mobile
65 iPhone移動端部署TensorFlow mobile
66 移動端優化TensorFlow代碼
67 GAN生成式對抗網絡
68 GAN生成式對抗網絡虛構MNIST圖像
69 DCGAN虛構MNIST圖像
70 DCGAN虛構名人面孔和其他數據集
71 VAE變分自編碼器
72 CapsNet膠囊網絡
73 TensorFlow分布式
74 TensorFlow GPU的安裝和使用
75 TensorFlow分布式
76 TensorFlow分布式訓練MNIST分類器
77 TensorFlow Serving運行Docker容器
78 TensorFlow分布式在谷歌云平臺運行
79 TensorFlow分布式在谷歌CloudML運行
80 TensorFlow分布式在Microsoft Azure上運行
81 TensorFlow分布式在Amazon AWS上運行
首頁 > TensorFlow 閱讀:758

TensorFlow實現多元線性回歸(超詳細)

TensorFlow 實現簡單線性回歸的基礎上,可通過在權重和占位符的聲明中稍作修改來對相同的數據進行多元線性回歸。

在多元線性回歸的情況下,由于每個特征具有不同的值范圍,歸一化變得至關重要。這里是波士頓房價數據集的多重線性回歸的代碼,使用 13 個輸入特征。

波士頓房價數據集可從http://lib.stat.cmu.edu/datasets/boston處獲取。

多元線性回歸的具體實現

  1. 導入需要的所有軟件包:


     
  2. 因為各特征的數據范圍不同,需要歸一化特征數據。為此定義一個歸一化函數。另外,這里添加一個額外的固定輸入值將權重和偏置結合起來。為此定義函數 append_bias_reshape()。該技巧有時可有效簡化編程:


     
  3. 現在使用 TensorFlow contrib 數據集加載波士頓房價數據集,并將其劃分為 X_train 和 Y_train。注意到 X_train 包含所需要的特征。可以選擇在這里對數據進行歸一化處理,也可以添加偏置并對網絡數據重構:


     
  4. 為訓練數據聲明 TensorFlow 占位符。觀測占位符 X 的形狀變化:


     
  5. 為權重和偏置創建 TensorFlow 變量。通過隨機數初始化權重:


     
  6. 定義要用于預測的線性回歸模型。現在需要矩陣乘法來完成這個任務:


     
  7. 為了更好地求微分,定義損失函數:


     
  8. 選擇正確的優化器:


     
  9. 定義初始化操作符:


     
  10. 開始計算圖:


     
  11. 繪制損失函數:


     
在這里,我們發現損失隨著訓練過程的進行而減少:


 
本節使用了 13 個特征來訓練模型。簡單線性回歸和多元線性回歸的主要不同在于權重,且系數的數量始終等于輸入特征的數量。下圖為所構建的多元線性回歸模型的 TensorBoard 圖:
現在可以使用從模型中學到的系數來預測房價:

精美而實用的網站,提供C語言C++STLLinuxShellJavaGo語言等教程,以及socketGCCviSwing設計模式JSP等專題。

Copyright ?2011-2018 biancheng.net, 陜ICP備15000209號

底部Logo