Java Android中的Tensorflow：如何使用线性回归模型预测Android应用程序中的值？

我目前有一个ipynb文件（ipython笔记本），其中包含我先前创建的线性回归代码/模型（我不完全确定它是否是模型）

如何在android应用程序中实现此模型，以便如果在文本框中输入“x”值，它将在textview中输出预测值“y”。功能：Y=mx+b

我试过看不同的教程，但它们大多不是“一步一步”的指南，这让我很难理解，我是一个编码初学者

以下是我的模型代码：

import tensorflow as tf
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
rng = np.random

from numpy import genfromtxt
from sklearn.datasets import load_boston

# Parameters
learning_rate = 0.0001
training_epochs = 1000
display_step = 50
n_samples = 222

X = tf.placeholder("float") # create symbolic variables
Y = tf.placeholder("float")

filename_queue = tf.train.string_input_producer(["C://Users//Shiina//battdata.csv"],shuffle=False)
reader = tf.TextLineReader() # skip_header_lines=1 if csv has headers
key, value = reader.read(filename_queue)

# Default values, in case of empty columns. Also specifies the type of the
# decoded result.
record_defaults = [[1.], [1.]]
height, soc= tf.decode_csv(
    value, record_defaults=record_defaults)
features = tf.stack([height])

# Set model weights
W = tf.Variable(rng.randn(), name="weight")
b = tf.Variable(rng.randn(), name="bias")

# Construct a linear model
pred_soc = tf.add(tf.multiply(height, W), b) # XW + b <- y = mx + b  where W is gradient, b is intercept

# Mean squared error
cost = tf.reduce_sum(tf.pow(pred_soc-soc, 2))/(2*n_samples)

# Gradient descent
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)

# Initializing the variables
init = tf.global_variables_initializer()

with tf.Session() as sess:
# Start populating the filename queue.
    coord = tf.train.Coordinator()
    threads = tf.train.start_queue_runners(coord=coord)
    sess.run(init)

     # Fit all training data
    for epoch in range(training_epochs):
        _, cost_value = sess.run([optimizer,cost])

        #Display logs per epoch step
    if (epoch+1) % display_step == 0:
        c = sess.run(cost)
        print( "Epoch:", '%04d' % (epoch+1), "cost=", "{:.9f}".format(c), \
            "W=", sess.run(W), "b=", sess.run(b))

    print("Optimization Finished!")
    training_cost = sess.run(cost)
    print ("Training cost=", training_cost, "W=", sess.run(W), "b=", sess.run(b), '\n')

#Plot data after completing training
    train_X = []
    train_Y = []
    for i in range(n_samples): #Your input data size to loop through once
        X, Y = sess.run([height, pred_soc]) # Call pred, to get the prediction with the updated weights
        train_X.append(X)
        train_Y.append(Y)

    #Graphic display

    plt.plot(train_X, train_Y, 'ro', label='Original data')
    plt.ylabel("SoC")
    plt.xlabel("Height")
    plt.axis([0, 1, 0, 100])
    plt.plot(train_X, train_Y, linewidth=2.0)
    plt.legend()
    plt.show()

    coord.request_stop()
    coord.join(threads)

将tensorflow导入为tf
作为pd进口熊猫
将numpy作为np导入
将matplotlib.pyplot作为plt导入
%matplotlib内联
rng=np.random
从numpy导入genfromtxt
从sklearn.dataset导入加载
#参数
学习率=0.0001
培训时间=1000
显示步进=50
n_样本=222
X=tf.placeholder（“float”）#创建符号变量
Y=tf.占位符（“浮动”）
filename\u queue=tf.train.string\u input\u producer（[“C://Users//Shiina//battdata.csv”]，shuffle=False）
reader=tf.TextLineReader（）#跳过_头_行=1如果csv有头
key，value=reader.read（文件名\队列）
#如果列为空，则为默认值。还指定了
#解码结果。
记录_默认值=[[1.]，[1.]]
高度，soc=tf.decode\u csv(
值，记录默认值=记录默认值）
features=tf.stack（[高度]）
#设置模型权重
W=tf.Variable（rng.randn（），name=“weight”）
b=tf.Variable（rng.randn（），name=“bias”）
#构建一个线性模型
pred_soc=tf.add（tf.multiply（height，W），b）#XW+b您对Java/Android开发有多熟悉？我是一个初学者，这个月才开始学习。好的。除了对Tensorflow演示应用程序套件的一些小改动外，我基本上没有做过Android方面的工作。如果你还没有看过这些，那么也许可以看看。看到这个关于如何在Java/ANdroid中实现Tensorflow库的链接，我想您会想使用JavaAPI/jar中心的东西在ANdroid中实现。不太清楚为什么您希望android中使用这样的线性回归器，特别是如果您正在尝试训练（不建议android设备使用）。请参阅此处的更多信息：