텐서플로를 이용한 신경망 구현

 

 

 

1.  선형회귀 예

입력(x)	출력(y)
1	2
2	4
3	6
4	8
5	10
6	12

Q. 7을 입력하면 출력값은?

 

# 데이터 입력 x_data = [1,2,3,4,5,6] y_data = [2,4,6,8,10,12]
# 변수 만들기 # seed=0 : 난수값 고정 # tf.random_normal : 정규분포에 해당하는 난수값 리턴 x = tf.placeholder(tf.float32) y = tf.placeholder(tf.float32) w = tf.Variable(tf.random_normal([1],seed=0),name='weight') b = tf.Variable(tf.random_normal([1],seed=0),name='bias')
# hypothesis 정의 hypothesis = w * x + b
# MSE로 손실값 구하기 cost = tf.reduce_mean(tf.square(hypothesis - y))
# 학습하면서 GradientDescent한다.(학습률 0.001) optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.001)
# cost를 optimizer로 minimize한다. train = optimizer.minimize(cost)
# 세션열고 실행 sess = tf.Session() sess.run(tf.global_variables_initializer()) for step in range(2001):     cost_v,w_v,b_v,_ = sess.run([cost,w,b,train],                                 feed_dict={x:x_data, y:y_data})     if step % 200 == 0 :         print(step,cost_v,w_v,b_v)
# 7을 입력하면 출력값은? print(sess.run(hypothesis,feed_dict={x:7}))

 

 

 

2. 공부시간 대비 점수 예측

공부시간	점수
2	71
4	83
6	91
8	97

Q. 7시간 공부했을때 점수는?

 

# 데이터 입력 x_data = [2,4,6,8] y_data = [71,83,91,97]
# 변수 만들기 x = tf.placeholder(tf.float32) y = tf.placeholder(tf.float32) w = tf.Variable(tf.random_normal([1],seed=0),name='weight') b = tf.Variable(tf.random_normal([1],seed=0),name='bias')
# hypothesis 정의 hypothesis = w * x + b
# MSE로 손실값 구하기 cost = tf.reduce_mean(tf.square(hypothesis - y))
# 학습하면서 GradientDescent한다.(학습률 0.001) optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.001)
# cost를 optimizer로 minimize한다. train = optimizer.minimize(cost)
# 세션열고 실행 sess = tf.Session() sess.run(tf.global_variables_initializer()) for step in range(8001):     cost_v,w_v,b_v,_ = sess.run([cost,w,b,train],                                 feed_dict={x:x_data, y:y_data})     if step % 1000 == 0 :         print(step,cost_v,w_v,b_v)
# 7시간 공부했을때 성적은? print(sess.run(hypothesis,feed_dict={x:7}))

 

 

 

3. 독립변수가 여러개일 때

x1	x2	x3	y
70	80	75	152
93	88	93	185
89	91	90	180
96	98	100	196
73	66	70	142

# 데이터 입력 x1_data = [70,93,89,96,73] x2_data = [80,88,91,98,66] x3_data = [75,93,90,100,70] y_data = [152,185,180,196,142]
# 변수 만들기 x1 = tf.placeholder(tf.float32) x2 = tf.placeholder(tf.float32) x3 = tf.placeholder(tf.float32) y =  tf.placeholder(tf.float32) w1 = tf.Variable(tf.random_normal([1],seed=0,name="weight1")) w2 = tf.Variable(tf.random_normal([1],seed=0,name="weight2")) w3 = tf.Variable(tf.random_normal([1],seed=0,name="weight3")) b = tf.Variable(tf.random_normal([1],seed=0,name="bias"))
# hypothesis 정의 hypothesis = w1*x1 + w2*x2 + w3*x3 + b
# MSE로 손실값 구하기 cost = tf.reduce_mean(tf.square(hypothesis - y))
# 학습하면서 GradientDescent한다.(학습률 0.00001) optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.00001)
# cost를 optimizer로 minimize한다. train = optimizer.minimize(cost)
# 세션열고 실행 sess = tf.Session() sess.run(tf.global_variables_initializer()) for step in range(100001):     cost_v,h_v,_ =sess.run([cost,hypothesis,train],                               feed_dict={x1:x1_data,                                          x2:x2_data,                                          x3:x3_data,                                          y:y_data})     if step % 10000 == 0:         print(step,cost_v,h_v)
# 예측하기 print("당신의 점수는 ",sess.run(hypothesis, feed_dict = {x1:100,x2:70,x3:60}))

 

 

4. 시험 데이터 사용

# 데이터 불러오기 import numpy as np xy = np.loadtxt("C:/data/ex.csv",                 delimiter=",",dtype = np.float32) xy
# 데이터 나누기 x_data = xy[:,0:-1] y_data = xy[:,-1] x_data.shape y_data.shape
# 데이터 형식이 (5,1)로 맞아야함 x_data = xy[:,0:-1] y_data = xy[:,[-1]] x_data.shape y_data.shape
# 행값을 무한으로 고정시키고 싶을땐 None이라고 한다. x = tf.placeholder(tf.float32, shape=[None,3]) y = tf.placeholder(tf.float32, shape=[None,1]) w = tf.Variable(tf.random_normal([3,1],seed=0,name='weight')) b = tf.Variable(tf.random_normal([1],seed=0,name='bias'))
# hypothesis 정의 hypothesis = tf.matmul(x,w)+b
# MSE로 손실값 구하기 cost = tf.reduce_mean(tf.square(hypothesis - y))
# 학습하면서 GradientDescent한다.(학습률 0.00001) optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.00001)
# cost를 optimizer로 minimize한다. train = optimizer.minimize(cost)
# 세션열고 실행 sess = tf.Session() sess.run(tf.global_variables_initializer()) for step in range(200001):     cost_v,h_v,_ =sess.run([cost,hypothesis,train],                               feed_dict={x:x_data, y:y_data})     if step % 40000 == 0:         print(step,cost_v,h_v)
# 예측하기 print("당신의 점수는 ",       sess.run(hypothesis, feed_dict = {x:[[100,70,60]]}))