In [1]:
# Versão da Linguagem Python
from platform import python_version
print('Versão da Linguagem Python Usada Neste Jupyter Notebook:', python_version())
Use como referência o Deep Learning Book: http://www.deeplearningbook.com.br/
Obs: Embora a versão 2.x do TensorFlow já esteja disponível, este Jupyter Notebook usar a versão 1.15, que também é mantida pela equipe do Google.
Caso queira aprender TensorFlow 2.0, esta versão já está disponível nos cursos da Formação IA, aqui na DSA.
Execute a célula abaixo para instalar o TensorFlow na sua máquina.
In [2]:
# Versão do TensorFlow a ser usada
!pip install -q tensorflow==1.15.2
In [3]:
# Imports
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
In [4]:
# Hyperparâmetros do modelo
learning_rate = 0.01
training_epochs = 2000
display_step = 200
In [5]:
# Dataset de treino
train_X = np.asarray([3.3,4.4,5.5,6.71,6.93,4.168,9.779,6.182,7.59,2.167,7.042,10.791,5.313,7.997,5.654,9.27,3.1])
train_y = np.asarray([1.7,2.76,2.09,3.19,1.694,1.573,3.366,2.596,2.53,1.221,2.827,3.465,1.65,2.904,2.42,2.94,1.3])
n_samples = train_X.shape[0]
# Dataset de teste
test_X = np.asarray([6.83, 4.668, 8.9, 7.91, 5.7, 8.7, 3.1, 2.1])
test_y = np.asarray([1.84, 2.273, 3.2, 2.831, 2.92, 3.24, 1.35, 1.03])
In [6]:
# Placeholders para as variáveis preditoras (x) e para variável target (y)
X = tf.placeholder(tf.float32)
y = tf.placeholder(tf.float32)
# Pesos e bias do modelo
W = tf.Variable(np.random.randn(), name="weight")
b = tf.Variable(np.random.randn(), name="bias")
In [7]:
# Construindo o modelo linear
# Fórmula do modelo linear: y = W*X + b
linear_model = W*X + b
# Mean squared error (erro quadrado médio)
cost = tf.reduce_sum(tf.square(linear_model - y)) / (2*n_samples)
# Otimização com Gradient descent
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)
In [8]:
# Definindo a inicialização das variáveis
init = tf.global_variables_initializer()
# Iniciando a sessão
with tf.Session() as sess:
# Iniciando as variáveis
sess.run(init)
# Treinamento do modelo
for epoch in range(training_epochs):
# Otimização com Gradient Descent
sess.run(optimizer, feed_dict={X: train_X, y: train_y})
# Display de cada epoch
if (epoch+1) % display_step == 0:
c = sess.run(cost, feed_dict={X: train_X, y: train_y})
print("Epoch:{0:6} \t Custo (Erro):{1:10.4} \t W:{2:6.4} \t b:{3:6.4}".format(epoch+1, c, sess.run(W), sess.run(b)))
# Imprimindo os parâmetros finais do modelo
print("\nOtimização Concluída!")
training_cost = sess.run(cost, feed_dict={X: train_X, y: train_y})
print("Custo Final de Treinamento:", training_cost, " - W Final:", sess.run(W), " - b Final:", sess.run(b), '\n')
# Visualizando o resultado
plt.plot(train_X, train_y, 'ro', label='Dados Originais')
plt.plot(train_X, sess.run(W) * train_X + sess.run(b), label='Linha de Regressão')
plt.legend()
plt.show()
# Testando o modelo
testing_cost = sess.run(tf.reduce_sum(tf.square(linear_model - y)) / (2 * test_X.shape[0]),
feed_dict={X: test_X, y: test_y})
print("Custo Final em Teste:", testing_cost)
print("Diferença Média Quadrada Absoluta:", abs(training_cost - testing_cost))
# Display em Teste
plt.plot(test_X, test_y, 'bo', label='Dados de Teste')
plt.plot(train_X, sess.run(W) * train_X + sess.run(b), label='Linha de Regressão')
plt.legend()
plt.show()
sess.close()
Conheça a Formação Inteligência Artificial, um programa completo, 100% online e 100% em português, com 402 horas em 9 cursos de nível intermediário/avançado, que vão ajudá-lo a se tornar um dos profissionais mais cobiçados do mercado de tecnologia. Clique no link abaixo, faça sua inscrição, comece hoje mesmo e aumente sua empregabilidade:
https://www.datascienceacademy.com.br/pages/formacao-inteligencia-artificial