运行结果：错误
# 不确定多少行为None。列为12列。即12个数据特征
x=tf.placeholder(tf.float32,[None,12],name="X") # 12个特征数据y=tf.placeholder(tf.float32,[None,1],name="Y") # 1个标签数据### 创建变量 定义模型结构# 定义了一个命令空间
with tf.name_scope("Model"):# w 初始化值为shape=（12,1）的随机数w=tf.Variable(tf.random_normal([12,1],stddev=0.01),name="W") # 列向量 标准差为0。01# b 初始值为1.0b=tf.Variable(1.0,name="b")# w和x是矩阵叉乘，用matmul def model(x,w,b):return tf.matmul(x,w)+b# 预测计算操作，前向计算节点pred=model(x,w,b)### 训练模型# 迭代次数
train_epochs=50
# 学习率
learning_rate=0.01### 定义均方差损失函数with tf.name_scope("LossFunction"):loss_function=tf.reduce_mean(tf.pow(y-pred,2)) #均方误差### 创建优化器optimizer=tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)### 模型训练# 创建会话
sess=tf.Session()
init=tf.global_variables_initializer()
# 启动会话
sess.run(init)# 迭代结果
for epoch in range(train_epochs):loss_sum=0for xs,ys in zip(x_data,y_data):xs=xs.reshape(1,12)ys=ys.reshape(1,1)_,loss=sess.run([optimizer,loss_function],feed_dict={x:xs,y:ys})loss_sum=loss_sum+loss# 打乱数据顺序xvalues,yvalues=shuffle(x_data,y_data)b0temp=b.eval(session=sess)w0temp=w.eval(session=sess)loss_average=loss_sum/len(y_data)print("epoch:",epoch+1,"loss=",loss_average,"b=",b0temp,"w=",w0temp)运行结果：成功
### 特征数据归一化
# 对特征数据【0到11】做（0-1）归一化
for i in range(12):df[:,i]=df[:,i]/(df[:,i].max()-df[:,i].min())x_data=df[:,:12]
y_data=df[:,12]print(x_data,'\n shape=',x_data.shape)# 不确定多少行为None。列为12列。即12个数据特征
x=tf.placeholder(tf.float32,[None,12],name="X") # 12个特征数据y=tf.placeholder(tf.float32,[None,1],name="Y") # 1个标签数据### 创建变量 定义模型结构# 定义了一个命令空间
with tf.name_scope("Model"):# w 初始化值为shape=（12,1）的随机数w=tf.Variable(tf.random_normal([12,1],stddev=0.01),name="W") # 列向量 标准差为0。01# b 初始值为1.0b=tf.Variable(1.0,name="b")# w和x是矩阵叉乘，用matmul def model(x,w,b):return tf.matmul(x,w)+b# 预测计算操作，前向计算节点pred=model(x,w,b)### 训练模型# 迭代次数
train_epochs=100
# 学习率
learning_rate=0.01### 定义均方差损失函数with tf.name_scope("LossFunction"):loss_function=tf.reduce_mean(tf.pow(y-pred,2)) #均方误差### 创建优化器optimizer=tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)### 模型训练# 创建会话
sess=tf.Session()
init=tf.global_variables_initializer()
# 启动会话
sess.run(init)
loss_list=[]
# 迭代结果
for epoch in range(train_epochs):loss_sum=0for xs,ys in zip(x_data,y_data):xs=xs.reshape(1,12)ys=ys.reshape(1,1)_,loss=sess.run([optimizer,loss_function],feed_dict={x:xs,y:ys})loss_sum=loss_sum+lossloss_list.append(loss)# 打乱数据顺序xvalues,yvalues=shuffle(x_data,y_data)b0temp=b.eval(session=sess)w0temp=w.eval(session=sess)loss_average=loss_sum/len(y_data)print("epoch:",epoch+1,"loss=",loss_average,"b=",b0temp,"w=",w0temp)
### 特征数据归一化
# 对特征数据【0到11】做（0-1）归一化
for i in range(12):df[:,i]=df[:,i]/(df[:,i].max()-df[:,i].min())x_data=df[:,:12]
y_data=df[:,12]print(x_data,'\n shape=',x_data.shape)# 不确定多少行为None。列为12列。即12个数据特征
x=tf.placeholder(tf.float32,[None,12],name="X") # 12个特征数据y=tf.placeholder(tf.float32,[None,1],name="Y") # 1个标签数据### 创建变量 定义模型结构# 定义了一个命令空间
with tf.name_scope("Model"):# w 初始化值为shape=（12,1）的随机数w=tf.Variable(tf.random_normal([12,1],stddev=0.01),name="W") # 列向量 标准差为0。01# b 初始值为1.0b=tf.Variable(1.0,name="b")# w和x是矩阵叉乘，用matmul def model(x,w,b):return tf.matmul(x,w)+b# 预测计算操作，前向计算节点pred=model(x,w,b)### 训练模型# 迭代次数
train_epochs=100
# 学习率
learning_rate=0.01### 定义均方差损失函数with tf.name_scope("LossFunction"):loss_function=tf.reduce_mean(tf.pow(y-pred,2)) #均方误差### 创建优化器optimizer=tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)### 模型训练# 创建会话
sess=tf.Session()
init=tf.global_variables_initializer()#设置日志存储日志
logdir='D:/tensorflowLog'
# 创建一个操作 用于记录损失值loss 后面在TensorBoard中SCALARS栏可见
sum_loss_op=tf.summary.scalar("loss",loss_function)
#把所有需要记录摘要日志文件的合并 方便一次性写入
merged=tf.summary.merge_all()# 启动会话
sess.run(init)#创建摘要writer 将计算图写入摘要文件。后面在TensorFlow中GRAPH可见
writer =tf.summary.FileWriter(logdir,sess.graph)loss_list=[]
# 迭代结果
for epoch in range(train_epochs):loss_sum=0for xs,ys in zip(x_data,y_data):xs=xs.reshape(1,12)ys=ys.reshape(1,1)_,summary_str,loss=sess.run([optimizer,sum_loss_op,loss_function],feed_dict={x:xs,y:ys})writer.add_summary(summary_str,epoch)loss_sum=loss_sum+lossloss_list.append(loss)# 打乱数据顺序xvalues,yvalues=shuffle(x_data,y_data)b0temp=b.eval(session=sess)w0temp=w.eval(session=sess)loss_average=loss_sum/len(y_data)print("epoch:",epoch+1,"loss=",loss_average,"b=",b0temp,"w=",w0temp)
