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: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?,java,android,python-3.x,tensorflow,linear-regression,Java,Android,Python 3.x,Tensorflow,Linear Regression,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 imp
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: