用tensorflow实现弹性网络回归算法
本文实例为大家分享了tensorflow实现弹性网络回归算法,供大家参考,具体内容如下
python代码:
#用tensorflow实现弹性网络算法(多变量) #使用鸢尾花数据集,后三个特征作为特征,用来预测第一个特征。 #1导入必要的编程库,创建计算图,加载数据集 importmatplotlib.pyplotasplt importtensorflowastf importnumpyasnp fromsklearnimportdatasets fromtensorflow.python.frameworkimportops ops.get_default_graph() sess=tf.Session() iris=datasets.load_iris() x_vals=np.array([[x[1],x[2],x[3]]forxiniris.data]) y_vals=np.array([y[0]foryiniris.data]) #2声明学习率,批量大小,占位符和模型变量,模型输出 learning_rate=0.001 batch_size=50 x_data=tf.placeholder(shape=[None,3],dtype=tf.float32)#占位符大小为3 y_target=tf.placeholder(shape=[None,1],dtype=tf.float32) A=tf.Variable(tf.random_normal(shape=[3,1])) b=tf.Variable(tf.random_normal(shape=[1,1])) model_output=tf.add(tf.matmul(x_data,A),b) #3对于弹性网络回归算法,损失函数包括L1正则和L2正则 elastic_param1=tf.constant(1.) elastic_param2=tf.constant(1.) l1_a_loss=tf.reduce_mean(abs(A)) l2_a_loss=tf.reduce_mean(tf.square(A)) e1_term=tf.multiply(elastic_param1,l1_a_loss) e2_term=tf.multiply(elastic_param2,l2_a_loss) loss=tf.expand_dims(tf.add(tf.add(tf.reduce_mean(tf.square(y_target-model_output)),e1_term),e2_term),0) #4初始化变量,声明优化器,然后遍历迭代运行,训练拟合得到参数 init=tf.global_variables_initializer() sess.run(init) my_opt=tf.train.GradientDescentOptimizer(learning_rate) train_step=my_opt.minimize(loss) loss_vec=[] foriinrange(1000): rand_index=np.random.choice(len(x_vals),size=batch_size) rand_x=x_vals[rand_index] rand_y=np.transpose([y_vals[rand_index]]) sess.run(train_step,feed_dict={x_data:rand_x,y_target:rand_y}) temp_loss=sess.run(loss,feed_dict={x_data:rand_x,y_target:rand_y}) loss_vec.append(temp_loss) if(i+1)%250==0: print('Step#'+str(i+1)+'A='+str(sess.run(A))+'b='+str(sess.run(b))) print('Loss='+str(temp_loss)) #现在能观察到,随着训练迭代后损失函数已收敛。 plt.plot(loss_vec,'k--') plt.title('LossperGeneration') plt.xlabel('Generation') plt.ylabel('Loss') plt.show()
本文参考书《Tensorflow机器学习实战指南》
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持毛票票。