目的:在程序开始运行的时候,可以通过指定命令行参数给程序参数赋值
步骤1、tf.app.flags 它支持应用从命令行接受参数,可以用来指定集群配置等。在tf.app.flags下面有各种定义参数的类型
DEFINE_string(flag_name, default_value, docstring)
DEFINE_integer(flag_name, default_value, docstring)
DEFINE_boolean(flag_name, default_value, docstring)
DEFINE_float(flag_name, default_value, docstring)
步骤2、tf.app.flags 在flags有一个FLAGS标志,它在程序中可以调用到我们前面具体定义的flag_name
步骤3、通过tf.app.run()启动main(argv)函数
调用方法:
# 定义命令行参数
# 1、首先定义有哪些参数需要在运行时候指定
# 2、程序当中获取定义命令行参数
# 第一个参数:名字、默认值、说明
tf.app.flags.DEFINE_interger("max_step", 100, "模型训练的步数")
tf.app.flags.DEFINE_interger("model_dir", " ", "模型文件的加载路径")
# 定义获取命令行参数名字
FLAGS = tf.app.flags.FLAGS
然后通过FLAGS.max_step、FLAGS.model_dir代表参数名。
完整代码展示:
#! /usr/bin/env python
# -*- coding:utf-8 -*-
import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 设置告警级别
# 定义命令行参数
# 1、首先定义有哪些参数需要在运行时候指定
# 2、程序当中获取定义命令行参数
# 第一个参数:名字、默认值、说明
tf.app.flags.DEFINE_interger("max_step", 100, "模型训练的步数")
tf.app.flags.DEFINE_interger("model_dir", " ", "模型文件的加载路径")
# 定义获取命令行参数名字
FLAGS = tf.app.flags.FLAGS
def myregression():
"""
自实现一个线性回归预测
数据是随机给出的x和y,x和y的权重和偏置固定,通过梯度下降预测选择最优权重和偏置
学习率和步数的设置
添加权重参数、损失值等在tensorboard观察的情况: 步骤1:收集变量 步骤2:合并变量写入事件文件
:return: None
"""
# with tf.variable_scope() 作用:方便观察
with tf.variable_scope("data"):
# 1、准备数据 x 特征值[100, 1] y 目标值[100]
x = tf.random_normal([100, 1], mean=1.75, stddev=0.5, name="x_data")
# 矩阵相乘必须是二维的
y_true = tf.matmul(x, [[0.7]]) + 0.8
with tf.variable_scope("model"):
# 2、建立线性回归模型 数据有一个特征,就是一个权重,还有一个偏置 y = x*w + b
# 随机给一个权重和偏置的值,让它去计算损失,然后在当前状态下优化
# 用变量定义才能优化 特征值只有一个,所以需要一个权重,如果十多个权重,那么就是[n, 1]
weight = tf.Variable(tf.random_normal([1, 1], mean=0.0, stddev=1.0, name="w"))
bias = tf.Variable(0.0, name="b")
y_predict = tf.matmul(x, weight) + bias
with tf.variable_scope("loss"):
# 3、建立损失函数,均方误差
loss = tf.reduce_mean(tf.square(y_true - y_predict))
with tf.variable_scope("optimizer"):
# 4、梯度下降优化损失 leaning_rate: 0~1,2,3,5,7,10 学习率:GradientDescentOptimizer 最小化优化损失:minimize
train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
# 步骤1:收集tensor,以便在tensorboard观察
tf.summary.scalar("losses", loss)
tf.summary.histogram("weights", weight)
# 步骤2:定义合并tensor的op
merged = tf.summary.merge_all()
# 定义一个初始化变量的op
init_op = tf.global_variables_initializer()
# 定义一个保存模型的实例
saver = tf.train.Saver()
# 通过会话运行程序
with tf.Session() as sess:
# 初始化变量
sess.run(init_op)
# 打印随机最先初始化的权重和偏置 op是没有结果的,要run或者eval
print("随机初始化的参数权重为:%f, 偏置为:%f" % (weight.eval(), bias.eval()))
# 建立事件文件
filewriter = tf.summary.FileWriter("./summary/test", graph=sess.graph)
# 加载模型,覆盖模型当中随机定义得参数,从上次训练得参数结果开始
if os.path.exists("./ckpt/checkpoint"):
# saver.restore(sess, "./ckpt/model")
saver.restore(sess, FLAGS.model_dir)
# 循环训练 运行优化
# for i in range(200):
for i in range(FLAGS.max_step):
sess.run(train_op)
# 步骤3:运行合并的tensor
summary = sess.run(merged)
# 步骤4:添加到事件文件
filewriter.add_summary(summary, i)
print("第%d次优化的参数权重为:%f, 偏置为:%f" % (i+1, weight.eval(), bias.eval()))
# saver.save(sess, "./ckpt/model")
saver.save(sess, FLAGS.model_dir)
if __name__ == '__main__':
myregression()
运行程序命令:
python test.py --max_step=500 --model_dir="./ckpt/model"