人工知能.
01-Tensorプロセスによる線形回帰
1-1. Tensor flowによる線形回帰
最適化直線を
# 텐서플로 라이브러리와 시각화 라이브러리인 matplotlib.pyplot을 불러오기
import tensorflow as tf
import matplotlib.pyplot as plt
tf.__version__
# 결과확인
# '2.6.0'
🟣 スーパーパラメータの設定learning_rate = 0.01
num_epochs = 1000
step_display = 50
🟣 学習用データの定義# x와 y좌푯값을 각각 정의 --> x, y의 개수는 같아야 함
x = [2.7, 4.8, 9.3, 13.4, 24.8, 31.3, 48.5, 53.0, 68.1, 74.2, 88.6, 94.5]
y = [7.0, 28.8, 22.8, 67.1, 48.8, 100.2, 140.0, 190.2, 215.2, 285.6, 260.3, 251.1]
# assert문을 활용해 x, y의 개수가 같지 않으면 에러가 발생하게 됨
# len(x)의 실행 결과로 총 개수는 12개임을 확인 할 수 있음
assert len(x) == len(y)
len(x)
# 실행 결과
# 12
したがって、
# tf.random_uniform() 함수는 무작위 수로 초기화
# [1]은 변수의 형태, -1.0은 최솟값, 1.0은 최댓값 (즉, -1.0~1.0 사이의 스칼라값을 무작위로 생성)
# name은 텐서플로에 이름을 알려주려고 사용
weight = tf.Variable(tf.random.uniform([1], -1.0, 1.0), name='weight')
bias = tf.Variable(tf.random.uniform([1], -1.0, 1.0), name='bias')
# compatibility mode를 적용해 1.x 버전의 기능을 그대로 사용할 수 있음
# 위와 같이 tf.disable_v2_behavior()를 실행해서 tf.placeholder를 그대로 사용할 수 있음
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
# 모델을 학습시킬 때 x좌표와 y좌표를 피드해줄 플레이스홀더 정의함
# 앞에서 가중치와 편향은 변수로 정의했으므로, 텐서플로의 계산 그래프를 구축할 때, 메모리 저장
x_true = tf.placeholder(dtype=tf.float32, name='x_true')
y_true = tf.placeholder(dtype=tf.float32, name='y_true')
🟣 グラフィックの作成
# 예측값인 y_pred를 가중치 weight와 x 좌표를 피드해줄 플레이스 홀더 x_true의 곱에 편향 bias를 더한 값으로 정의함
y_pred = tf.add(tf.math.multiply(weight, x_true), bias)
# 예측값인 y_pred에서 실제값인 y_true를 뺀 값에 제곱해서 평균을 계산한 값이 비용(cost or loss)
cost = tf.reduce_mean(tf.square(y_pred - y_true))
# 비용을 최소화할 optimizer를 정의함
optimizer = tf.train.AdamOptimizer(learning_rate).minimize(cost)
🟣 勉強を始める# 세션을 실행하고 변수를 초기화함
# 텐서플로는 세션 실행 시, 반드시 모두 전역 변수를 초기화해야 함
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
for epoch in range(num_epochs):
_, c = sess.run([optimizer,cost], feed_dict={x_true: x, y_true: y})
if (epoch+1) % step_display == 0:
print("Epoch: {0}, cost: {1}, weight: {2}, bias: {3}".format(
epoch+1, c, sess.run(weight), sess.run(bias)))
print("최적화 작업을 완료했습니다.")
# 최종 비용, 가중치, 편향을 구해 출력함
training_cost = sess.run(cost, feed_dict={x_true: x, y_true: y})
print("최종 cost: {}".format(c))
print("최종 weight: {}".format(sess.run(weight)))
print("최종 bias: {}".format(sess.run(bias)))
# 실행 결과
# 최종 cost: 619.3222045898438
# 최종 weight: [3.067179]
# 최종 bias: [1.819138]
🟣 図形で直線を比較する図
# 시각화하기
plt.plot(x, y, 'ro', label='Original data')
plt.plot(x, sess.run(weight) * x + sess.run(bias), label='Original line')
plt.legend()
plt.show()
Reference
この問題について(人工知能.), 我々は、より多くの情報をここで見つけました https://velog.io/@dkddkkd55/인공지능01テキストは自由に共有またはコピーできます。ただし、このドキュメントのURLは参考URLとして残しておいてください。
Collection and Share based on the CC Protocol