# 保证脚本与Python3兼容from __future__ import print_functionimport osimport tensorflow as tfimport numpy as npfrom utils import createSummaryWriter, generateLinearData, createLinearModel #导入utilsdef gradientDescent(X, Y, model, learningRate=0.01, maxIter=10000, tol=1.e-6): """ 利用梯度下降法训练模型。 参数 ---- X : np.array, 自变量数据 Y : np.array, 因变量数据 model : dict, 里面包含模型的参数，损失函数，自变量，应变量。 """ # 确定最优化算法 method = tf.train.GradientDescentOptimizer(learning_rate=learningRate) optimizer = method.minimize(model["loss_function"]) # 增加日志 tf.summary.scalar("loss_function", model["loss_function"]) tf.summary.histogram("params", model["model_params"]) tf.summary.scalar("first_param", tf.reduce_mean(model["model_params"][0])) tf.summary.scalar("last_param", tf.reduce_mean(model["model_params"][-1])) summary = tf.summary.merge_all() # 在程序运行结束之后，运行如下命令，查看日志 # tensorboard --logdir logs/ # Windows下的存储路径与Linux并不相同 if os.name == "nt": summaryWriter = createSummaryWriter("logs\\gradient_descent") else: summaryWriter = createSummaryWriter("logs/gradient_descent") # tensorflow开始运行 sess = tf.Session() # 产生初始参数 init = tf.global_variables_initializer() # 用之前产生的初始参数初始化模型 sess.run(init) # 迭代梯度下降法 step = 0 prevLoss = np.inf diff = np.inf # 当损失函数的变动小于阈值或达到最大循环次数，则停止迭代 while (step < maxIter) & (diff > tol): _, summaryStr, loss = sess.run( [optimizer, summary, model["loss_function"]], feed_dict={model["independent_variable"]: X, model["dependent_variable"]: Y}) # 将运行细节写入目录 summaryWriter.add_summary(summaryStr, step) # 计算损失函数的变动 diff = abs(prevLoss - loss) prevLoss = loss step += 1 summaryWriter.close() # 在Windows下运行此脚本需确保Windows下的命令提示符(cmd)能显示中文 # 输出最终结果 print("模型参数：\n%s" % sess.run(model["model_params"])) print("迭代次数：%s" % step) print("损失函数值：%s" % loss)def run(): """ 程序入口 """ # dimension表示自变量的个数，num表示数据集里数据的个数。 dimension = 30 num = 10000 # 随机产生模型数据 X, Y = generateLinearData(dimension, num) # 定义模型 model = createLinearModel(dimension) # 使用梯度下降法，估计模型参数 gradientDescent(X, Y, model)if __name__ == "__main__": run() utils：
"""此脚本用于随机生成线性模型数据、定义模型以及其他工具"""import numpy as npimport tensorflow as tfdef generateLinearData(dimension, num): """ 随机产生线性模型数据 参数 ---- dimension ：int，自变量个数 num ：int，数据个数 返回 ---- x ：np.array，自变量 y ：np.array，因变量 """ np.random.seed(1024) beta = np.array(range(dimension)) + 1 x = np.random.random((num, dimension)) epsilon = np.random.random((num, 1)) # 将被预测值写成矩阵形式，会极大加快速度 y = x.dot(beta).reshape((-1, 1)) + epsilon return x, ydef createLinearModel(dimension): """ 搭建模型，包括数据中的自变量，应变量和损失函数 参数 ---- dimension : int，自变量的个数 返回 ---- model ：dict，里面包含模型的参数，损失函数，自变量，应变量 """ np.random.seed(1024) # 定义自变量和应变量 x = tf.placeholder(tf.float64, shape=[None, dimension], name='x') ## 将被预测值写成矩阵形式，会极大加快速度 y = tf.placeholder(tf.float64, shape=[None, 1], name="y") # 定义参数估计值和预测值 betaPred = tf.Variable(np.random.random([dimension, 1])) yPred = tf.matmul(x, betaPred, name="y_pred") # 定义损失函数 loss = tf.reduce_mean(tf.square(yPred - y)) model = { "loss_function": loss, "independent_variable": x, "dependent_variable": y, "prediction": yPred, "model_params": betaPred} return modeldef createSummaryWriter(logPath): """ 检查所给路径是否已存在，如果存在删除原有日志。并创建日志写入对象 参数 ---- logPath ：string，日志存储路径 返回 ---- summaryWriter ：FileWriter，日志写入器 """ if tf.gfile.Exists(logPath): tf.gfile.DeleteRecursively(logPath) summaryWriter = tf.summary.FileWriter(logPath, graph=tf.get_default_graph()) return summaryWriter
（1）对于单个数值型的变量，比如所示函数值，使用scalar函数记录它的信息
（2）对于矩阵型变量比如模型参数使用histogram函数记录信息。 如果想追踪某个特定参数，需要先将特定参数转化为标量，再用scalar函数记录信息
（3）summary类定义的操作和其他tensorflow操作一样，只有在Session()对象调用它们时才会真正运行，手工调用效率显然不高，所以使用merge_all函数将他们合并为一个操作。
（4）为了记录产生的日志，需要创建tf.summary.FileWriter对象，。然后在每次迭代梯度下降法的使用时，将相应的日志写入文件。