Линейная регрессия с ручным вычислением градиента

Насколько я понимаю, Код 1 - это код для линейной регрессии с использованием tf.train.GradientDescentOptimizer, который принадлежит библиотеке TensorFlow (черный ящик).

Код 2 - это пример кода, который делает то же самое без GradientDescentOptimizer. это код без черного ящика.

Я хочу добавить смещение (# hypothesis = X * W + b) в код 2. Каким должен быть код (градиент, спуск, обновление и т. Д.) В этом случае?

Код 1

import tensorflow as tf

x_train = [1, 2, 3]
y_train = [1, 2, 3]

X = tf.placeholder(tf.float32)
Y = tf.placeholder(tf.float32)
W = tf.Variable(5.)
b = tf.Variable(5.)
hypothesis = X * W + b
cost = tf.reduce_mean(tf.square(hypothesis - Y))
learning_rate = 0.1

optimizer = tf.train.GradientDescentOptimizer(learning_rate=learning_rate)
gvs = optimizer.compute_gradients(cost, [W, b])
apply_gradients = optimizer.apply_gradients(gvs)

sess = tf.Session()
sess.run(tf.global_variables_initializer())
for step in range(21):
    gradient_val, cost_val, _ = sess.run(
        [gvs, cost, apply_gradients], feed_dict={X: x_train, Y: y_train})
    print("%3d Cost: %10s, W': %10s, W: %10s, b': %10s, b: %10s" %
          (step, round(cost_val, 5),
           round(gradient_val[0][0] * learning_rate, 5), round(gradient_val[0][1], 5),
           round(gradient_val[1][0] * learning_rate, 5), round(gradient_val[1][1], 5)))

Code2

import tensorflow as tf

x_train = [1, 2, 3]
y_train = [1, 2, 3]

X = tf.placeholder(tf.float32)
Y = tf.placeholder(tf.float32)
W = tf.Variable(5.)
# b = tf.Variable(5.)  # Bias
hypothesis = X * W
# hypothesis = X * W + b
cost = tf.reduce_mean(tf.square(hypothesis - Y))
learning_rate = 0.1

gradient = tf.reduce_mean((W * X - Y) * X) * 2
descent = W - learning_rate * gradient
update = tf.assign(W, descent)

sess = tf.Session()
sess.run(tf.global_variables_initializer())
print(sess.run(W))
for step in range(21):
    gradient_val, update_val, cost_val = sess.run(
        [gradient, update, cost], feed_dict={X: x_train, Y: y_train})
    print(step, gradient_val * learning_rate, update_val, cost_val)

tensorflow linear-regression
person Wenquan Jin    schedule 06.04.2017    source источник
comment
очень интересный вопрос!   -  person Sung Kim    schedule 07.04.2017

Ответы (1)


arrow_upward
1
arrow_downward

Я сослался на Введение в градиентный спуск и линейную регрессию

Код 2

import tensorflow as tf

x_train = [1, 2, 3]
y_train = [1, 2, 3]

X = tf.placeholder(tf.float32)
Y = tf.placeholder(tf.float32)
W = tf.Variable(5.)
b = tf.Variable(5.)
hypothesis = X * W + b
cost = tf.reduce_mean(tf.square(hypothesis - Y))
learning_rate = 0.1

W_gradient = tf.reduce_mean((W * X + b - Y) * X) * 2
b_gradient = tf.reduce_mean(W * X + b - Y) * 2
W_descent = W - learning_rate * W_gradient
b_descent = b - learning_rate * b_gradient
W_update = tf.assign(W, W_descent)
b_update = tf.assign(b, b_descent)

sess = tf.Session()
sess.run(tf.global_variables_initializer())
for step in range(21):
    cost_val, W_gradient_val, W_update_val, b_gradient_val, b_update_val = sess.run(
        [cost, W_gradient, W_update, b_gradient, b_update],
        feed_dict={X: x_train, Y: y_train})
    print("%3d Cost: %8s, W': %8s, W: %8s, b': %8s, b: %8s" %
          (step, round(cost_val, 5),
           round(W_gradient_val * learning_rate, 5), round(W_update_val, 5),
           round(b_gradient_val * learning_rate, 5), round(b_update_val, 5)))
person Wenquan Jin    schedule 07.04.2017