[딥러닝 학습2] (Linear) Hypothesis

어떤 선이 내가 원하는 결과에 더 적합한지 가설을 세우는 것

 찾아낸 추론이 우리의 트레이닝 데이터에 얼마나 적합한가를 확인하기 위해 최소 Cost Function을 구한다.

import tensorflow as tf

# X, Y 데이터
x_train = [1,2,3]
y_train = [1,2,3]

W = tf.Variable(tf.random_normal([1]), name='weight')
b = tf.Variable(tf.random_normal([1]), name='bias')

# hypothesis 모델 정의XW+B
hypothesis = x_train * W + b

# cost/less function
cost = tf.reduce_mean(tf.square(hypothesis - y_train))
# reduce_mean : 트레이닝 데이터 평균내주는 것

#Minimize / GradientDescent
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01)
train = optimizer.minimize(cost)

# Launch Graph
sess = tf.Session()
sess.run(tf.global_variables_initializer())

# Fit the Line
for step in range(2001):
    sess.run(train)
    if step % 20 == 0:
        print(step, sess.run(cost), sess.run(W), sess.run(b))

placeholders 이용하여 데이터 넘겨주고 학습시키기

import tensorflow as tf

# X, Y 데이터
#x_train = [1,2,3]
#y_train = [1,2,3]

W = tf.Variable(tf.random_normal([1]), name='weight')
b = tf.Variable(tf.random_normal([1]), name='bias')

X = tf.placeholder(tf.float32, shape=[None])
Y = tf.placeholder(tf.float32, shape=[None])

# hypothesis 모델 정의XW+B
hypothesis = X * W + b

# cost/less function
cost = tf.reduce_mean(tf.square(hypothesis - Y))
# reduce_mean : 트레이닝 데이터 평균내주는 것

#Minimize / GradientDescent
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01)
train = optimizer.minimize(cost)

# Launch Graph 
sess = tf.Session()
sess.run(tf.global_variables_initializer())

# Fit the Line
for step in range(2001):
    cost_val, W_val, b_val, _ = sess.run([cost, W, b, train],
                                    feed_dict={X: [1,2,3,4,5],
                                               Y: [2.1, 3.1, 4.1, 5.1, 6.1]})
    if step % 20 == 0:
        print(step, cost_val, W_val, b_val)


# Tranining Hypothesis Test
print(sess.run(hypothesis, feed_dict={X: [5]}))
print(sess.run(hypothesis, feed_dict={X: [2.5]}))
print(sess.run(hypothesis, feed_dict={X: [1.5, 3.5]}))

이 포스트는 김성훈 교수님의 ‘모두의 딥러닝’  강의를 학습하며 정리한 노트입니다.