Aula 13 - Tensor Flow - Redes Neurais - Regressão Linear Simples
Meu github:
Documentação oficial do TensorFlow:
Link para o notebook da aula:
Se gostarem do conteúdo dêem um joinha 👍 na página do Código Fluente no
Facebook
Link do código fluente no Pinterest
Aproveito para deixar meus link de afiliados:
Toti:
Backing track / Play-along:
Código Fluente
Putz!
Fiquem a vontade para me adicionar ao linkedin.
Aula 13 - Tensor Flow - Redes Neurais - Regressão Linear Simples
No código a seguir, o
x vai ficar guardando o lugar de uma matriz de
floats, no formato de
None linhas, porque não se sabe exatamente quantos registros teremos e
10 features, ou seja, 10 colunas.
o
W são os pesos, criados aleatoriamente em uma distribuição normal, em uma matriz
10 por
3.
O
b uma matriz de
1 linha e
3 colunas.
Em seguida o
xW vai guardar o resultado da multiplicação da matriz
x pela
W.
E
z da adição de
xW e
b.
Ao
a atribuímos a função
sigmoid do
tensorflow.
Depois inicializamos tudo isso.
Em seguida criamos a sessão para executar e receber o resultado em
layer_out.
Resultado:
[[0.9794851 0.6196158 0.38397646]]
Números entre
0 e
1, porque usamos a função de ativação
Sigmoid.
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
import numpy as np
n_features = 10
n_dense_neurons = 3
# O segundo parâmetro de placeholder é o formato, Onde tem o None,
# são os registros, ou seja, as linhas e n_features são as colunas.
x = tf.placeholder(tf.float32, (None, n_features))
W = tf.Variable(tf.random_normal([n_features, n_dense_neurons]))
b = tf.Variable(tf.ones([n_dense_neurons]))
xW = tf.matmul(x, W)
z = tf.add(xW, b)
#função de ativação
a = tf.sigmoid(z)
init = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init)
layer_out = sess.run(a, feed_dict={x: np.random.random([1, n_features])})
#Resultado, números entre 0 e 1, porque estamos usando a função de ativação Sigmoid
print(layer_out)
A execução aconteceu uma vez
Mas, a execução de uma rede neural tem que voltar e fazer o
backpropagation ajustando os pesos e os vieses baseado em uma função de custo.
Os valores de
W e
b devem sempre ser ajustado.
Para esse exemplo, vamos gerar dados distribuídos de forma linear, para nossa rede treinar e achar a equação que melhor explica a distribuição dos dados, ou seja, que melhor acompanha os dados.
No final, vamos plotar uma reta vermelhar que acompanha os pontos preditos pela equação que a rede entregou como saída.
x_data = np.linspace(0, 10, 10) + np.random.uniform(-1.5, 1.5, 10)
y_label = np.linspace(0, 10, 10) + np.random.uniform(-1.5, 1.5, 10)
import matplotlib .pyplot as plt
%matplotlib inline
plt.plot(x_data, y_label, '*')
m = tf.Variable(0.35)
b = tf.Variable(0.19)
error = 0
for x, y in zip(x_data, y_label):
y_hat = m * x + b
error += (y - y_hat) ** 2
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.001)
train = optimizer.minimize(error)
init = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init)
training_steps = 1
for i in range(training_steps):
sess.run(train)
final_slope, final_intercept = sess.run([m, b])
x_test = np.linspace(-1, 11, 10)
# y = mx + b
y_pred_plot = final_slope * x_test + final_intercept
plt.plot(x_test, y_pred_plot, 'red')
plt.plot(x_data, y_label, '*')
Por essa aula é só, nos vemos na próxima, \o/ e até lá.
Link para o notebook da aula:
Meu github:
Se gostarem do conteúdo dêem um joinha 👍 na página do Código Fluente no
Facebook
Link do código fluente no Pinterest
Novamente deixo meus link de afiliados:
Obrigado, até a próxima e bons estudos. ;)
