Question

我正在使用来自https://github.com/nlintz/TensorFlow-Tutorials/blob/master/1_linear_regression.py

的TensorFlow中的线性回归代码

此代码计算一个回归函数，我将调用y_estimate。由于这是线性回归，因此以下公式成立： y_estimate = m*x。系数m等于神经网络层的权重。提取这些权重，我们得到一个完美的回归公式。

但是，我想采取另一种方法：首先，我想为y_estimate采样许多不同的值。例如，我想传递x的神经网络101值。然后，我想从神经网络y_estimate获得101个值。其次，我想绘制这些值。

不幸的是，我无法获得y_estimate的值。在神经网络中，这些值是通过y_model = model(X, w)计算的。由于X和w都包含许多元素（准确地说是101），y_model也应包含101个元素。我尝试了不同的方法来打印y_model的所有值，但每个都失败了。

在下文中，我将展示我的方法。我只复制相关代码，其余部分与上面发布的GIT中的代码完全相同。

1）首先，我试着天真地打印y_model：

with tf.Session() as sess:
    tf.initialize_all_variables().run()

    for i in range(100):
        for (x, y) in zip(trX, trY):
            sess.run(train_op, feed_dict={X: x, Y: y})

    print('y_model: ', y_model)
    print(sess.run(w))

输出：('y_model: ', <tf.Tensor 'Mul_8:0' shape=<unknown> dtype=float32>)

2）其次，我首先尝试获取张量y_model，然后打印结果：

with tf.Session() as sess:
    tf.initialize_all_variables().run()

    for i in range(100):
        for (x, y) in zip(trX, trY):
            sess.run(train_op, feed_dict={X: x, Y: y})

    estimates = sess.run(y_model, feed_dict={X: x, Y: y})
    print('estimates: ', estimates)
    print(sess.run(w))

输出：('estimates: ', 2.0016618)

3）第三，我尝试首先使用op tf.Print()，后者应该在评估时打印张量的值。请注意，调用tf.get_default_session().run(t)相当于按照详细here调用t.eval()。

w = tf.Variable(0.0, name="weights") # create a shared variable (like theano.shared) for the weight matrix
y_model = model(X, w)

cost = tf.square(Y - y_model) # use square error for cost function

train_op = tf.train.GradientDescentOptimizer(0.01).minimize(cost) # construct an optimizer to minimize cost and fit line to my data
temp1 = tf.Print(y_model,[y_model])


with tf.Session() as sess:
    # you need to initialize variables (in this case just variable W)
    tf.initialize_all_variables().run()

    for i in range(100):
        for (x, y) in zip(trX, trY):
            sess.run(train_op, feed_dict={X: x, Y: y})

    estimates = sess.run(temp1, feed_dict={X: x, Y: y})
    print('estimates: ', estimates)
    print(sess.run(w))

输出：('estimates: ', 2.0458241)

4）第四种方法是使用例如tf.reduce_max()来获得最大值：

with tf.Session() as sess:
    tf.initialize_all_variables().run()

    for i in range(100):
        for (x, y) in zip(trX, trY):
            sess.run(train_op, feed_dict={X: x, Y: y})

    temp1 = tf.reduce_max(y_model)
    estimate_max = sess.run(temp1, feed_dict={X: x, Y: y})
    print('estimate_max: ', estimate_max)
    print(sess.run(w))

输出：('estimate_max: ', 1.887839)

现在我的具体问题：为什么我只获得一个值而不是y_model的101个值（关于我的方法2和3）？ y_model不应为输入的 x返回一个值吗？

我计算了什么，如何获得我想要的101个值？

非常感谢你的帮助！

Answer 1

第二种方法指向正确的方向。但是，它的实施略有不正确。

更具体地说，代码仅为一个 myLib打印y_model，因为Feed字典只传递一个x。因此，必须实现for循环以确保将每个x提供给模型。这是工作代码：

TensorFlow中的线性回归：如何获得y = m * x的所有估计y值？

1 个答案: