王宇春2015201906 caming_rate-1.0.n_es ④寻找基础模型的最佳数量 使用ear y stopping,.在验证数据效果最优时停止训练。实现以 上思想的简单方法是使用staged predict方法，其在训练的所有阶段分别进行预测。通过 staged predict方法确定基出模型的最佳数量，分别观察验证数据的错误率，和最终模型 的效果。 0007 第十周Up and Running with TensorFlow ·课堂笔记 TensorFlowi程序通常分为两部分：第一部分构建计算图谱（构造阶段），第二部分运行图谱 (执行阶段)。 建设阶段通常构建一个表示ML模型的计算图谱，然后对其进行训练、计算。 执行阶段通常运行循环，重复地评估训练步骤（例如每个mini-batch) 逐渐改进模型参数 管理图谱：创建的任何节点都会自动添加到默认图形中。若需要管理多个独立图形，可以创建 一个新的图形并暂时将其设置为一个块中的默认图形(tf.reset default graph) Linear Regre ession with TensorFlow:TensorFlow操作可以采用任意数量的输入并产生任意 量的输出。Tensors具有类型和形状。以之前加州房屋数据集为例，使用进行TensorFlow线性 回归。创建两个TensorFlow常数节点X和y来保存该数据和目标，并使用TensorFlow提供的矩 阵运镜来定义并评估theta Mini-batch Gradient Des ent:每次迭代时用下一个Mini-batch替换X和Y ,使用 placeholder,它实际上并不执行任何计算，只是输出在运行时输出的数据，可以在训练时将 训练数据传递TensorFlow, 储存、恢复模型：在创建完所有变量节点之后，创建一个Saver,在执行阶段，调用save0方 法。恢复模型时，在执行阶段的开始，调用restore0方法。 TensorBoard:可以展示图形和训练曲线。在日志目录名称中包含时间戳，使得每次运行程序 时使用不同的日志目录。 ·上机练习 安装TensorFlow,运行书上第九章代码，使用TensorBoard查看训练曲线。 12王宇睿 2015201906 ④ 寻找基础模型的最佳数量，使⽤early stopping，在验证数据效果最优时停⽌训练。实现以 上思想的简单⽅法是使⽤staged_predict⽅法，其在训练的所有阶段分别进⾏预测。通过 staged_predict⽅法确定基础模型的最佳数量，分别观察验证数据的错误率，和最终模型 的效果。 第⼗周 Up and Running with TensorFlow - 课堂笔记 TensorFlow程序通常分为两部分：第⼀部分构建计算图谱（构造阶段），第⼆部分运⾏图谱 （执⾏阶段）。 建设阶段通常构建⼀个表示ML模型的计算图谱，然后对其进⾏训练、计算。 执⾏阶段通常运⾏循环，᯿复地评估训练步骤（例如每个mini-batch），逐渐改进模型参数。 管理图谱：创建的任何节点都会⾃动添加到默认图形中。若需要管理多个独⽴图形，可以创建 ⼀个新的图形并暂时将其设置为⼀个块中的默认图形（tf.reset_default_graph）。 Linear Regression with TensorFlow：TensorFlow操作可以采⽤任意数量的输⼊并产⽣任意数 量的输出。Tensors具有类型和形状。以之前加州房屋数据集为例，使⽤进⾏TensorFlow线性 回归。创建两个TensorFlow常数节点X和y来保存该数据和⽬标，并使⽤TensorFlow提供的矩 阵运算来定义并评估theta。 Mini-batch Gradient Descent：每次迭代时⽤下⼀个Mini-batch替换X和Y，使⽤ placeholder，它实际上并不执⾏任何计算，只是输出在运⾏时输出的数据，可以在训练时将 训练数据传递TensorFlow。 储存、恢复模型：在创建完所有变量节点之后，创建⼀个Saver，在执⾏阶段，调⽤save() ⽅ 法。恢复模型时，在执⾏阶段的开始，调⽤restore() ⽅法。 TensorBoard：可以展示图形和训练曲线。在⽇志⽬录名称中包含时间戳，使得每次运⾏程序 时使⽤不同的⽇志⽬录。 - 上机练习 安装TensorFlow，运⾏书上第九章代码，使⽤TensorBoard查看训练曲线。 12