지난 이론시간에 Multivariable example 을 이용한 linear regression을 학습했습니다.

좋은 성과를 내기 위해서는 적절한 feature 을 뽑아내는게 중요하다고 했었죠.

어려운건 없고 단지 feature 가 여러개일 뿐입니다.

두개의 weight를 학습해야 한다고 해봅시다.



코드는 다음과 같이 할 수있겠죠?


이런 방식으로 여러개의 W에 대한 linear regression 이 가능해집니다!


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
import tensorflow as tf
 
x1_data = [1,0,3,0,5]
x2_data = [0,2,0,4,0]
y_data = [1,2,3,4,5]
 
#Try to find values for W and b that compute y_data = W * x_data + b
# (We know that W should be 1 and b 0, but Tensorflow will)
# figure that our for us.)
 
W1 = tf.Variable(tf.random_uniform([1],-1.0,1.0))
W2 = tf.Variable(tf.random_uniform([1],-1.0,1.0))
 
= tf.Variable(tf.random_uniform([1],-1.0,1.0))
 
#Our hypothesis
hypothesis = W1 * x1_data + W2*x2_data +b
 
#Simplified cost function
cost = tf.reduce_mean(tf.square(hypothesis - y_data))
 
#Minimize
= tf.Variable(0.1)  # Learning rate, alpha
optimizer = tf.train.GradientDescentOptimizer(a)
train = optimizer.minimize(cost)
 
#Before starting, initialize the variables. We will 'run' this first.
init = tf.initialize_all_variables()
 
#Launch the graph.
sess = tf.Session()
sess.run(init)
 
#Fit the line.
for step in xrange(2001):
    sess.run(train)
    if step % 20 == 0:
    print step, sess.run(cost), sess.run(W1), sess.run(W2), sess.run(b)
cs


해당 코드를 실행하면 처음에는 다음과 같이 random 한 값이 주어집니다.



하지만 결국 X1 = 1, X2 = 1, b = 0 에 수렴하는것 알 수 있습니다.




이번에는 이 복잡한 수식을 Matrix 로 표현해볼까요?



 W data 를 1x2 배열로 구현한다!



matmul 은 두 행렬의 곱을 나타낸다.


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
import tensorflow as tf
x_data = [[0.2.0.4.,0.],
          [1.0.3.0.5.]]
y_data = [1234,5]
 
# Try to find values for W
= tf.Variable(tf.random_uniform([1,2],-1.0,1.0))
= tf.Variable(tf.random_uniform([1],-1.0,1.0))
 
#our hypothesis
# matrix multiplication
hypothesis = tf.matmul(W, x_data) + b
# Simplified cost function
cost = tf.reduce_mean(tf.square(hypothesis - y_data))
 
#Minimize
= tf.Variable(0.1# Learning rate, alpha
optimizer = tf.train.GradientDescentOptimizer(a)
train = optimizer.minimize(cost)
 
#Before starting, initialize the variables. We will ' run' this first.
init = tf.initialize_all_variables()
 
#Launch the graph.
sess = tf.Session()
sess.run(init)
 
#Fit the line.
for step in xrange(2001):
    sess.run(train)
    if step % 20 == 0:
        print step, sess.run(cost), sess.run(W), sess.run(b)
cs

실행하면 다음과 같이 이차원의 형태로 출력되는 것을 알 수있다.


동일하게 3개의 변수를 갖도록 해봅시다.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
import tensorflow as tf
x_data = [[1.1.1.1.,1.],
          [0.2.0.4.0.],
          [1.0.3.0.5.]]
y_data = [1234,5]
 
# Try to find values for W
= tf.Variable(tf.random_uniform([1,3],-1.0,1.0))
 
#our hypothesis
# matrix multiplication
hypothesis = tf.matmul(W, x_data)
# Simplified cost function
cost = tf.reduce_mean(tf.square(hypothesis - y_data))
 
#Minimize
= tf.Variable(0.1# Learning rate, alpha
optimizer = tf.train.GradientDescentOptimizer(a)
train = optimizer.minimize(cost)
 
#Before starting, initialize the variables. We will ' run' this first.
init = tf.initialize_all_variables()
 
#Launch the graph.
sess = tf.Session()
sess.run(init)
 
#Fit the line.
for step in xrange(2001):
    sess.run(train)
    if step % 20 == 0:
        print step, sess.run(cost), sess.run(W)
cs


실행 결과는 다음과 같이 되겠죠?


마지막으로 Loading data from file 을 배워봅시다.

1
2
3
4
5
6
import tensorflow as tf
import numpy as np
xy = np.loadtxt('train.txt', unpack = True, dtype = 'float32')
x_data = xy[0:-1]
y_data = xy[-1];
 
cs


다음과 같이 하면 텍스트파일에서 읽어올 수 있습니다.

C 의 freopen과 같다고 할 수가 있겠죠?

+ Recent posts