一.案例步骤
1.准备数据集：y=0.8x+0.7 100个样本
2.建立线性模型，初始化w和b变量
3.确定损失函数（预测值与真实值之间的误差），均方误差
4.梯度下降优化损失
二.完整功能代码：
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
import tensorflow as tf
def linear_regression():
"""
自实现线性回归
:return: None
"""
# 构造数据X为一百行一列
X = tf.random_normal(shape=(100, 1), mean=2, stddev=2)
# 真实值，y=x*0.8+0.7，这里X为tf.tensor数据在乘的时候要使用二维数据
y_true = tf.matmul(X, [[0.8]]) + 0.7
# 使用Variable初始化w，b，因为w和b要参与更新所有要使用变量。trainable是设置这个变量是否参与训练
weights = tf.Variable(initial_value=tf.random_normal(shape=(1, 1)),trainable=True)
bias = tf.Variable(initial_value=tf.random_normal(shape=(1, 1)),trainable=True)
# 构造预测值，使用X乘上更新后的变量w加上b
y_predict = tf.matmul(X, weights) + bias
# 计算均方误差，用真实值减去预测值的平方，因为这是一百个数据，使用要求它的平均值
error = tf.reduce_mean(tf.square(y_predict - y_true))
# 构建优化器，这里使用的是梯度下降优化误差来更新w和b，0.01是学习率
optimizer = tf.train.GradientDescentOptimizer(0.01).minimize(error)
# 初始化变量
init = tf.global_variables_initializer()
with tf.Session() as sess: # 会话
# 运行初始化变量op
sess.run(init)
# 打印一下初始化的权重和偏置
print("随机初始化的权重为%f， 偏置为%f" % (weights.eval(), bias.eval()))
# 开始训练，训练的次数越多越接近真实值
for i in range(100):
sess.run(optimizer)
# 打印每一次更新后的权重，偏置，误差
print("第%d步的误差为%f，权重为%f， 偏置为%f" % (i, error.eval(), weights.eval(), bias.eval()))
return None
if __name__ == '__main__':
linear_regression()三.增加其他功能
1.增加命名空间
使代码结构更加清晰，Tensorboard图结构更加清楚，
使用tf.variable_scope方法，里面的名字自己定义
with tf.variable_scope("lr_model"):2.收集变量
这样更容易观察参数的更新情况
3.写入事件
使用tensorboard观察，在命令行中切换到事件所在文件目录，使用命令：
tensorboard --logdir="事件所在的文件目录"import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
import tensorflow as tf
def linear_regression():
"""
自实现线性回归
:return: None
"""
# 构造数据X为一百行一列
with tf.variable_scope("original_data"): # 表示正在创建数据
X = tf.random_normal(shape=(100, 1), mean=2, stddev=2)
# 真实值，y=x*0.8+0.7，这里X为tf.tensor数据在乘的时候要使用二维数据
y_true = tf.matmul(X, [[0.8]]) + 0.7
with tf.variable_scope("linear_model"): # 初始化变量
# 使用Variable初始化w，b，因为w和b要参与更新所有要使用变量。trainable是设置这个变量是否参与训练
weights = tf.Variable(initial_value=tf.random_normal(shape=(1, 1)),trainable=True)
bias = tf.Variable(initial_value=tf.random_normal(shape=(1, 1)),trainable=True)
# 构造预测值，使用X乘上更新后的变量w加上b
y_predict = tf.matmul(X, weights) + bias
with tf.variable_scope("loss"): # 确定误差
# 计算均方误差，用真实值减去预测值的平方，因为这是一百个数据，使用要求它的平均值
error = tf.reduce_mean(tf.square(y_predict - y_true))
with tf.variable_scope("gd_optimizer"): # 构建优化器
# 构建优化器，这里使用的是梯度下降优化误差来更新w和b，0.01是学习率
optimizer = tf.train.GradientDescentOptimizer(0.01).minimize(error)
# 收集变量
tf.summary.scalar("error", error)
tf.summary.histogram("weights", weights)
tf.summary.histogram("bias", bias)
# 合并变量
merge=tf.summary.merge_all()
# 初始化变量
init = tf.global_variables_initializer()
with tf.Session() as sess: # 会话
# 运行初始化变量op
sess.run(init)
# 打印一下初始化的权重和偏置
print("随机初始化的权重为%f， 偏置为%f" % (weights.eval(), bias.eval()))
# 创建事件文件,将事件写入到ligdir中的目录中
file_writer=tf.summary.FileWriter(logdir="./summary",graph=sess.graph)
# 开始训练，训练的次数越多越接近真实值
for i in range(100):
sess.run(optimizer)
# 打印每一次更新后的权重，偏置，误差
print("第%d步的误差为%f，权重为%f， 偏置为%f" % (i, error.eval(), weights.eval(), bias.eval()))
# 运行合并变量op
summary=sess.run(merge)
file_writer.add_summary(summary,i)
return None
if __name__ == '__main__':
linear_regression()
四.模型的保存和加载
tf.train.Saver(var_list=None,max_to_keep=5)
保存和加载模型（保存文件格式：checkpoint文件）
var_list:指定将要保存和还原的变量。它可以作为一个dict或一个列表传递.
max_to_keep：指示要保留的最近检查点文件的最大数量。创建新文件时，会删除较旧的文件。如果无或0，则保留所有检查点文件。默认为5（即保留最新的5个检查点文件。）
例如
# 指定目录+模型名字
# 保存
saver.save(sess, '/tmp/ckpt/test/myregression.ckpt')
# 加载
saver.restore(sess, '/tmp/ckpt/test/myregression.ckpt')如果判断模型是否存在，直接指定目录
checkpoint = tf.train.latest_checkpoint("./tmp/model/")
saver.restore(sess, checkpoint)五.命令行参数使用
1.tf.app.flags，它支持应用从命令行接收参数，可以用来指定集训配置等，在tf.app.flags下面各种定义参数的类型
2、 tf.app.flags.,在flags有一个FLAGS标志，它在程序中可以调用到我们
前面具体定义的flag_name
3.通过tf.app.run()启动main(argv)函数
# 定义一些常用的命令行参数
# 训练步数
tf.app.flags.DEFINE_integer("max_step", 0, "训练模型的步数")
# 定义模型的路径
tf.app.flags.DEFINE_string("model_dir", " ", "模型保存的路径+模型名字")
# 定义获取命令行参数
FLAGS = tf.app.flags.FLAGS
# 开启训练
# 训练的步数（依据模型大小而定）
for i in range(FLAGS.max_step):
sess.run(train_op)六.完整代码
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
import tensorflow as tf
# 模型保存
tf.app.flags.DEFINE_string("model_path", "./linear_regression/", "模型保存的路径和文件名")
FLAGS = tf.app.flags.FLAGS
def linear_regression():
"""
自实现线性回归
:return: None
"""
# 构造数据X为一百行一列
with tf.variable_scope("original_data"): # 表示正在创建数据
X = tf.random_normal(shape=(100, 1), mean=2, stddev=2)
# 真实值，y=x*0.8+0.7，这里X为tf.tensor数据在乘的时候要使用二维数据
y_true = tf.matmul(X, [[0.8]]) + 0.7
with tf.variable_scope("linear_model"): # 初始化变量
# 使用Variable初始化w，b，因为w和b要参与更新所有要使用变量。trainable是设置这个变量是否参与训练
weights = tf.Variable(initial_value=tf.random_normal(shape=(1, 1)),trainable=True)
bias = tf.Variable(initial_value=tf.random_normal(shape=(1, 1)),trainable=True)
# 构造预测值，使用X乘上更新后的变量w加上b
y_predict = tf.matmul(X, weights) + bias
with tf.variable_scope("loss"): # 确定误差
# 计算均方误差，用真实值减去预测值的平方，因为这是一百个数据，使用要求它的平均值
error = tf.reduce_mean(tf.square(y_predict - y_true))
with tf.variable_scope("gd_optimizer"): # 构建优化器
# 构建优化器，这里使用的是梯度下降优化误差来更新w和b，0.01是学习率
optimizer = tf.train.GradientDescentOptimizer(0.01).minimize(error)
# 收集变量
tf.summary.scalar("error", error)
tf.summary.histogram("weights", weights)
tf.summary.histogram("bias", bias)
# 合并变量
merge=tf.summary.merge_all()
# 初始化变量
init = tf.global_variables_initializer()
with tf.Session() as sess: # 会话
# 运行初始化变量op
sess.run(init)
# 打印一下初始化的权重和偏置
print("随机初始化的权重为%f， 偏置为%f" % (weights.eval(), bias.eval()))
# 创建事件文件,将事件写入到ligdir中的目录中
file_writer=tf.summary.FileWriter(logdir="./summary",graph=sess.graph)
# 开始训练，训练的次数越多越接近真实值
for i in range(100):
sess.run(optimizer)
# 打印每一次更新后的权重，偏置，误差
print("第%d步的误差为%f，权重为%f， 偏置为%f" % (i, error.eval(), weights.eval(), bias.eval()))
# 运行合并变量op
summary=sess.run(merge)
file_writer.add_summary(summary,i)
return None
def main(argv):
print("这是main函数")
print(argv)
print(FLAGS.model_path)
linear_regression()
if __name__ == '__main__':
tf.app.run()
