TensorFlowを使用してPythonを使用して線形モデルをトレーニングするにはどうすればよいですか？

Tensorflowは、Googleが提供する機械学習フレームワークです。これは、Pythonと組み合わせて使用​​されるオープンソースのフレームワークであり、アルゴリズム、深層学習アプリケーションなどを実装します。研究や生産目的で使用されます。

「tensorflow」パッケージは、以下のコード行を使用してWindowsにインストールできます-

pip install tensorflow

Tensorは、TensorFlowで使用されるデータ構造です。フロー図のエッジを接続するのに役立ちます。このフロー図は「データフローグラフ」と呼ばれます。テンソルは、多次元配列またはリストに他なりません。これらは、3つの主要な属性を使用して識別できます-

ランク-テンソルの次元について説明します。これは、テンソルの順序、または定義されたテンソルの次元数として理解できます。

タイプ-テンソルの要素に関連付けられたデータタイプについて説明します。 1次元、2次元、またはn次元のテンソルにすることができます。

形状-行と列を合わせた数です。

JupyterNotebookを使用してコードを実行します。 TensorFlowは、「pipinstalltensorflow」を使用してJupyterNotebookにインストールできます。

以下はコードです-

例

import tensorflow as tf

A = tf.get_variable("A", initializer=tf.constant([0.1]))
b = tf.get_variable("b", initializer=tf.constant([0.0]))

x = tf.placeholder(tf.float32)
y = tf.placeholder(tf.float32)

my_model = A * x + b

lossVal = tf.reduce_sum(tf.square(my_model − y))

my_optimizer = tf.train.GradientDescentOptimizer(0.01)
train = my_optimizer.minimize(lossVal)

x_train = [1.0, 2.5, 3.8, 4.9]
y_train = [1.7, 3.0, 6.6, 6.8]

with tf.Session() as sess:
   sess.run(tf.global_variables_initializer())
   for i in range(1000):
      sess.run(train, {x:x_train, y:y_train})
      if i%100==0:
         l_cost = sess.run(lossVal, {x:x_train, y:y_train})
         print(f"i: {i} cost: {l_cost}")
   l_A, l_b, l_cost = sess.run([A, b, lossVal], {x:x_train, y:y_train})
   print(f"A: {l_A} b: {l_b} cost: {l_cost}")

出力

i: 0 cost: 1.7808341979980469
i: 100 cost: 1.6947696208953857
i: 200 cost: 1.691591501235962
i: 300 cost: 1.6913959980010986
i: 400 cost: 1.6913844347000122
i: 500 cost: 1.6913840770721436
i: 600 cost: 1.6913843154907227
i: 700 cost: 1.691383719444275
i: 800 cost: 1.6913838386535645
i: 900 cost: 1.6913845539093018
A: [1.4599526] b: [0.07214472] cost: 1.6913845539093018

説明

• 使いやすさのために、必要なパッケージをインポートし、そのエイリアスを提供します。

• 線形モデルの一般的な形式を格納する「my_model」という名前の変数が定義されています。

• この線形モデルは、「GradientDescentOptimizer」を使用してトレーニングされています。

• トレーニングは損失が最小になるように行われ、「最小化」方法を使用して保証されます。

• トレーニングデータを保存する2つのリストが作成されます。

• このデータはトレーニングされ、予測値がコンソールに表示されます。