Aula 14 - Tensor Flow - Redes Neurais - Regressão Linear exemplo 02
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 14 - Tensor Flow - Redes Neurais - Regressão Linear exemplo 02
Vamos a mais um exemplo, dessa vez um exemplo de regressão mais realístico.
O propósito do
TensorFlow é tentar resolver problemas que os típicos algoritmos de aprendizado de máquina não conseguem resolver.
Já existem muitos algoritmos de aprendizado de máquina que podem realizar tarefas de regressão e classificação.
Já tarefas como: classificação de imagem, análise de séries temporais, entendimento de linguagem natural, etc. são problemas realmente difíceis de resolver sem o uso de uma rede neural profunda ou especializada.
Batch
No exemplo vamos gerar artificialmente uma base com
1000000 de
amostras com o
numpy, em uma
distribuição linear usando o
linspace.
O problema é que você não pode simplesmente alimentar um milhão de pontos em sua rede neural de uma só vez.
Então, para alimentar a rede neural com esse dados, temos que separar em lotes e enviar aos poucos para o processamento no treinamento da rede.
Para o nosso exemplo, vamos definir um tamanho de lote (
batch size) de
8.
Não há uma resposta certa ou errada para tamanhos de lotes, certos tamanhos de
batch dependem realmente de seus dados, da quantidade deles.
Código
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
#%matplotlib inline
x_data = np.linspace(0.0, 10.0, 1000000)
noise = np.random.randn(len(x_data))
print(x_data)
print(noise)
print(len(noise))
y_true = (0.5 * x_data) + 5 + noise
#Criando os dados
x_df = pd.DataFrame(data = x_data, columns = ['X Data'])
y_df = pd.DataFrame(data = y_true, columns = ['Y'])
print(x_df.head())
my_data = pd.concat([x_df, y_df], axis = 1)
print(my_data.head())
my_data.sample(n = 5)
my_data.sample(n = 250).plot(kind = 'scatter', x = 'X Data', y = "Y")
batch_size = 8
m = tf.Variable(0.09)
b = tf.Variable(0.39)
xph = tf.placeholder(tf.float32, [batch_size])
yph = tf.placeholder(tf.float32, [batch_size])
y_model = m * xph + b
error = tf.reduce_sum(tf.square(yph - y_model)) #y_model tem os valores previstos
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)
batches = 1000
for i in range(batches):
rand_ind = np.random.randint(len(x_data), size = batch_size)
feed = {xph: x_data[rand_ind], yph: y_true[rand_ind] }
sess.run(train, feed_dict = feed)
model_m, model_b = sess.run([m, b])
print(model_m)
print(model_b)
y_hat = x_data * model_m + model_b
my_data.sample(250).plot(kind = 'scatter', x = 'X Data', y = 'Y')
plt.plot(x_data, y_hat, 'r')
Explicação do código
Criamos a distribuição linear com o
linspace do
numpy, que é a nossa base de dados criada artificialmente com números variando entre
0.0 e
10.0 em uma amostragem de
1.000.000 de pontos.
Adicionamos algum ruído pra que a base não fique bem certinha linearmente, queremos uma base com distribuição em tendência linear, mas, não absolutamente linear, por isso, a inserção de ruído.
O
y_true, é o gabarito, colocamos o
m = 0.5 e o
b = 5 na equação linear
y = mx + b
Depois de criar os dados, colocamos em
dataframes pandas, o
x_df e o
y_df, para melhor manipular os dados.
Estabelecemos o tamanho de
batch em
8.
Criamos duas variáveis iniciais para
m e
b.
São os valores de m e b que a rede precisa prever, e como criamos os dados utilizando os valores
m = 0.5 e
b = 5.0, então, se a rede funcionar corretamente, ela deverá prever um valor próximo de
0.5 para
m e próximo a
5.0 o valor de
b.
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. ;)
