CNN_multi-variable linear regression

지난번 시간이랑은 달리 X,Y data가 matrix로 되어있다.

multi - variable에 따른 hypothesis, cost

지난번 시간에 H(x) = W*x + b였다면, multi-variable 에서는 H(x)=X*W이다. (X,W는 행렬의 형태)

# Lab 4 Multi-variable linear regression

import tensorflow as tf

tf.set_random_seed(777)  # for reproducibility

# 5행 3열의 X_data, 1열의 Y_data

x1_data = [73., 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.]

# placeholders for a tensor that will be always fed.

# X,Y의 노드를 생성시킨다.

x1 = tf.placeholder(tf.float32)

x2 = tf.placeholder(tf.float32)

x3 = tf.placeholder(tf.float32)

Y = tf.placeholder(tf.float32)

#hypothesis 함수를 만족시키기 위한 w,b값을 랜덤으로 설정한다. 

w1 = tf.Variable(tf.random_normal([1]), name='weight1')

w2 = tf.Variable(tf.random_normal([1]), name='weight2')

w3 = tf.Variable(tf.random_normal([1]), name='weight3')

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

hypothesis = x1 * w1 + x2 * w2 + x3 * w3 + b

# cost function

# 비용함수 정의

cost = tf.reduce_mean(tf.square(hypothesis - Y))

# Minimize. Need a very small learning rate for this data set

# 경사하강법을 이용한 비용함수의 최소화 과정

optimizer = tf.train.GradientDescentOptimizer(learning_rate=1e-2)

train = optimizer.minimize(cost)

# Launch the graph in a session.

sess = tf.Session()

# Initializes global variables in the graph.

sess.run(tf.global_variables_initializer())

# cost, hypothesis, train에 대해서 running을 한다. 

# x,y node에 x,y data를 삽입.

for step in range(2001):

    cost_val, hy_val, _ = sess.run([cost, hypothesis, train],

                                   feed_dict={x1: x1_data, x2: x2_data, x3: x3_data, Y: y_data})

# 10스텝씩 진행함.

# step, cost값,prediction값 = hypothesis 출력

    if step % 10 == 0:

        print(step, "Cost: ", cost_val, "\nPrediction:\n", hy_val)