티스토리 뷰

텐서플로우로 앞서 설명한 단순 선형 회귀를 구현한다.

케라스로 구현해도 좋지만 텐서플로우 먼저 해봄

 

먼저 경사 하강법에 필요한 미분을 먼저 구현한다.

import tensorflow as tf

w = tf.Variable(2.)    #변수 w에 2를 넣는다

def f(w):
    y = w**2
    z = 2*y + 5
    return z

with tf.GradientTape() as tape:
    z = f(w)

gradients = tape.gradient(z,[w])
print(gradients)

 

방정식 f(w)를 구현한다. 이 방정식은 w의 cost값 변화에 대한 그래프이다.

tape.gradient(z,[w])는 타겟(z)에 대한 w의 미분을 계산해주는 메소드이다.

y = w**2을 dy = dx*2*w 미분식을 자동으로 해주는 메소드이다.

 

위 방정식을 표현해보면 z = 2w*2 + 5이고 미분하면 z' = 4w이다.

처음에 w=2로 정했으니 gradients의 값은 8이 된다.

 

이제 임의의 w와 b값을 정하고 경사 하강법을 이용해 알맞은 값을 찾는다.

 

#임의의 w와 b를 지정
w = tf.Variable(4.0)
b = tf.Variable(1.0)

def hypothesis(x):
    return w*x + b

x_test = [3.5,5,5.5,6]
print(hypothesis(x_test).numpy())

w와 b에 임의의 값으로 4와 1을 넣고

단순 선형 회귀 모델 y = wx + b를 함수화한다.

 

그리고 데이터 값 x_test를 설정하고, test값에 대한 y값을 계산한다.

 

 

@tf.function    #2.x에서 1.x버전도 사용할 수 있게 해 성능 향상에 도움
def mse_loss(y_pred,y):
    #두 개의 차이값을 제곱해 평균값 계산
    return tf.reduce_mean(tf.square(y_pred - y))

x = [1,2,3,4,5,6,7,8,9]   #공부 시간
y = [11,22,33,44,53,66,77,87,95]    #성적

#학습률 0.01의 옵티마이저
optimizer = tf.optimizers.SGD(0.01)

#300번의 경사 하강법
for i in range(301):
    #입력값 x에 대한 미분값을 자동으로 계산해주는 gradienttape을 사용
    with tf.GradientTape() as tape:
        y_pred = hypothesis(x)
        
        cost = mse_loss(y_pred,y)
        
    #손실함수에 대한 파라미터의 미분값 계산
    gradients = tape.gradient(cost,[w,b])
    #파라미터 업데이트
    optimizer.apply_gradients(zip(gradients, [w,b]))
    
    if i % 10 == 0:
        print("epoch : {:3} | w의 값 : {:5.4f} | b의 값 : {:5.4} | cost : {:5.6f}".format(i, w.numpy(), b.numpy(), cost))

 

데이터와 그래프의 평균거리를 구하기 위한 MSE를 계산하는 함수를 구현하고

 

실제 데이터 x,y를 작성한다.

 

사용할 옵티마이저의 학습률을 0.01로 정하고

 

경사 하강법을 300번 실행해 w,b값을 최신화 하면서 cost를 최소화한 값을 찾는다.

 

w = 10.6831

 b= 0.8072

가 최적의 값이다.

공지사항
최근에 올라온 글
최근에 달린 댓글
Total
Today
Yesterday
링크
«   2024/12   »
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
글 보관함