【 在 wdong (万事休) 的大作中提到: 】 这么快就放弃了？ 你那个tensorflow的例子我已經调通了。 实在错的太离谱了。这种垃圾repository竟然有81个星我也是醉了。 想听的发包子过来，半个钟头后我给你们分析。 Update: 这个竟然是一本书的配套代码，书要卖$23。突然我就觉得 job security暴涨了。这种书卖越多越好。大家不要给它 提交补丁，最好初学者都死在这书上，我们老司机就安全了。
【 在 SwiftDove (Swift Dove) 的大作中提到: 】 我很穷，就只转一个吧。 多谢大牛
【 在 wdong (万事休) 的大作中提到: 】 只有你发了，我估计别人没有真的去看代码。我给你一些提示， 你再改改看。 1. 注意Y和Y_predicted的形状。如果Y和Y_predicted的 形状不一样，tf.squared_difference会发生什么？ 2. 为什么傻逼作者要把learning_rate設得这么异乎寻常 地低？ 如果设成0.01会发生什么问题？ 把learning_rate降低是正确的fix吗？ 还能怎么解决 这个问题？ (再提示：Spark的loss function有啥区别？） 还有一些罗嗦的错就不说了， 不影响这个程序运行。 ...................
【 在 SwiftDove (Swift Dove) 的大作中提到: 】 多谢大牛。 是的， Y 是Tensor("ToFloat_1:0", shape=(25,), dtype=float32)。 Y_predicted 是Tensor("add:0", shape=(25, 1), dtype=float32)。 我用 Y_predicted = tf.reshape(Y_predicted, [25]) 好像loss overflow了。不知怎么改Cost 函数 我刚看这些东西， Java比较熟。 Python仅初级水平。
【 在 wdong (万事休) 的大作中提到: 】 1. reduce_sum vs reduce_mean: reduce_sum会导致你的gradient和minibatch size相关，以至于 需要根据不同的minibatch size调整learning_rate。 用reduce_mean没这个问题。 2. mean(sqr(error)) vs sqrt(mean(sqr(error))) 和上面的相似，前者的问题是需要根据error绝对值调整learning_rate。 error太大甚至会溢出。 上面这两个都是数学上等价，但是实现上的坑。 你把这两个改了， 用learning_rate = 0.01，隔1000个 iteration打印状态，就能看到正常收敛了。
【 在 SwiftDove (Swift Dove) 的大作中提到: 】 Getting closer: def loss(X, Y): Y_predicted = inference(X) print(Y_predicted) Y_predicted = tf.reshape(Y_predicted, [25]) print(Y) print(Y_predicted) print (Y-Y_predicted) return tf.sqrt(tf.reduce_mean(tf.squared_difference(Y, Y_predicted))) training_steps = 100000 ...................
【 在 wdong(万事休) 的大作中提到: 】<br>: 这么快就放弃了？ 你那个tensorflow的例子我已經调通了。<br>: 实在错的太离谱了。这种垃圾repository竟然有81个星我也是醉了。<br>: 想听的发包子过来，半个钟头后我给你们分析。<br>: Update:<br>: 这个竟然是一本书的配套代码，书要卖$23。突然我就觉得<br>: job security暴涨了。这种书卖越多越好。大家不要给它<br>: 提交补丁，最好初学者都死在这书上，我们老司机就安全了。<br>
为什么这么大的差异？
https://github.com/backstopmedia/tensorflowbook/blob/master/chapters/04_
machine_learning_basics/linear_regression.py
在以上程序加一行 print("w=", W.eval(), "b=", b.eval())， 得到结果是
w= [[ 3.5245235 ]
[ 1.50171268]] b= 1.14499
所以 y=3.5245235x1 + 1.50171268x2 +1.14499
我用同样的数据 (格式附后）https://github.com/apache/spark/blob/master/examples/src/main/java/org/
apache/spark/examples/ml/JavaLinearRegressionWithElasticNetExample.java
结果是：
Coefficients: [0.3827266230806965,5.1690760222564425] Intercept: 82.
22008153614573
numIterations: 6
objectiveHistory: [0.5,0.41583549697777683,0.15548328325638935,0.
15439025905767773,0.15432368309706285,0.15432368309449543]
所以
y=0.3827266230806965x1+5.1690760222564425x2 + 82.22008153614573
两者差这么大，比较糊涂。请大牛指点迷津。
Spark inputfile 数据格式
354 1:84 2:46
190 1:73 2:20
405 1:65 2:52
263 1:70 2:30
451 1:76 2:57
302 1:69 2:25
288 1:63 2:28
385 1:72 2:36
402 1:79 2:57
365 1:75 2:44
209 1:27 2:24
290 1:89 2:31
346 1:65 2:52
254 1:57 2:23
395 1:59 2:60
434 1:69 2:48
220 1:60 2:34
374 1:79 2:51
308 1:75 2:50
220 1:82 2:34
311 1:59 2:46
181 1:67 2:23
274 1:85 2:37
303 1:55 2:40
244 1:63 2:30
【 在 SwiftDove (Swift Dove) 的大作中提到: 】
: 刚开始看一些Spark ML和Tensorflow的基本东西，看到下便两个程序的结果很糊涂：
: 为什么这么大的差异？
: https://github.com/backstopmedia/tensorflowbook/blob/master/chapters/04_
: machine_learning_basics/linear_regression.py
: 在以上程序加一行 print("w=", W.eval(), "b=", b.eval())， 得到结果是
: w= [[ 3.5245235 ]
: [ 1.50171268]] b= 1.14499
: 所以 y=3.5245235x1 + 1.50171268x2 +1.14499
: 我用同样的数据 (格式附后）
: https://github.com/apache/spark/blob/master/examples/src/main/java/org/
: ...................
写法也不好，还旧。而且也没有normalize data。你最好找一些真正专家的code.
【 在 lightroom (吃一条鱼，思考一个问题，法号三丰) 的大作中提到: 】
: 老弟，应该学学ml ABC. 你那个spark的，第一iterations 太少，第二，加
iterations
: 也不会算对，因为你用的是elastic net regularization. 你改应该改的参数了吗。第
: 三，估计你没normalize data, 会导致收敛不好的
【 在 lightroom (吃一条鱼，思考一个问题，法号三丰) 的大作中提到: 】
: 我看了看tf code, 这个作者水平太差，误人子弟! 还thread, 根本没有用 thread,
: 写法也不好，还旧。而且也没有normalize data。你最好找一些真正专家的code.
: iterations
我看这书，还觉得不错，觉得一些概念讲得蛮清楚的 （比烙印写的什么Packt
Publishing的书好很多）， 没想到也是半瓶水。
还是不懂这个问题啊。在http://stackoverflow.com/questions/41884411/puzzled-by-linear-regression-results-from-spark-ml-and-tensorflow 问了，那儿说SPARK的线性回归模型不是线性回归（这真奇芭），去掉
.setRegParam(0.3)
.setElasticNetParam(0.8);
又 .setMaxIter(1000), 结果1iteration, 结果就出来了，也和原先的结果差不多啊:
Coefficients: [0.4173620987945001,5.21659080879135] Intercept: 77.
98253861487616
numIterations: 1
objectiveHistory: [0.0]
【 在 wdong (万事休) 的大作中提到: 】
: 笑死 刚刚还有人说小白特别喜欢写教程
Let x=1，2，3，4，。。。
你自己用方程z=100*x+2
造一列z。
对这组（ x，z）用spark试验一下，
算出来是100和2，那就是线性回归，不然就不是呗。
2.
Linear regression就跟个操作系统类似，无数坑。
【 在 SwiftDove (Swift Dove) 的大作中提到: 】
: 大牛笑完之后，也要提携我们这些门外汉呀 :-).
: 我看这书，还觉得不错，觉得一些概念讲得蛮清楚的 （比烙印写的什么Packt
: Publishing的书好很多）， 没想到也是半瓶水。
: 还是不懂这个问题啊。在http://stackoverflow.com/questions/41884411/puzzled-by-linear-regression-results-from-spark-ml-and-tensorflow 问了，那儿说SPARK的线性回归模型不是线性回归（这真奇芭），去掉
: .setRegParam(0.3)
: .setElasticNetParam(0.8);
: 又 .setMaxIter(1000), 结果1iteration, 结果就出来了，也和原先的结果差不多啊:
: Coefficients: [0.4173620987945001,5.21659080879135] Intercept: 77.
: 98253861487616
: numIterations: 1
: ...................
TF是GD。我昨天说了，这code没有normalize data。这样会出现很多问题。最好的方法是作normalization。比较形象说，这两维数据还是比较均匀的，主要是bi a s比较大
，learning rate太小，循环太少，它爬不上去
当然，你这个数据很简单。有几个方法都行
- 初始化 b = tf.Variable(80.0）
- 增加iteration
- 加大 learning_rate = 0.001
【 在 SwiftDove (Swift Dove) 的大作中提到: 】
: 谢谢大牛们的慧眼。结果极可能TensorFlow 的code错了。这儿是一个结果分析：http://tempforum.neas-seminars.com/Attachment4373.aspx 结果和Spark ML 的（改正后）一致 。现在请大牛们看看怎么修改那个TensorFlow的code。谢谢。
understanding”。 试了试这几个方法，还不行。现在知道这个东西坑又多又大（估计暂时不像有些人说的ML已是大白菜）， 不再纠结这个了。
多多感谢。
【 在 lightroom (吃一条鱼，思考一个问题，法号三丰) 的大作中提到: 】
: 你spark用的是什么solver？这个你要搞清楚。
: TF是GD。我昨天说了，这code没有normalize data。这样会出现很多问题。最好的方法
: 是作normalization。比较形象说，这两维数据还是比较均匀的，主要是bi a s比较大
: ，learning rate太小，循环太少，它爬不上去
: 当然，你这个数据很简单。有几个方法都行
: - 初始化 b = tf.Variable(80.0）
: - 增加iteration
: - 加大 learning_rate = 0.001
实在错的太离谱了。这种垃圾repository竟然有81个星我也是醉了。
想听的发包子过来，半个钟头后我给你们分析。
Update:
这个竟然是一本书的配套代码，书要卖$23。突然我就觉得
job security暴涨了。这种书卖越多越好。大家不要给它
提交补丁，最好初学者都死在这书上，我们老司机就安全了。
【 在 SwiftDove (Swift Dove) 的大作中提到: 】
: 那个SparkML 例子 的算法是最小二乘法。 看来梯度法比较需要技巧和“deep
: understanding”。 试了试这几个方法，还不行。现在知道这个东西坑又多又大（估计
: 暂时不像有些人说的ML已是大白菜）， 不再纠结这个了。
: 多多感谢。
你再改改看。
1. 注意Y和Y_predicted的形状。如果Y和Y_predicted的
形状不一样，tf.squared_difference会发生什么？
2. 为什么傻逼作者要把learning_rate設得这么异乎寻常
地低？ 如果设成0.01会发生什么问题？
把learning_rate降低是正确的fix吗？ 还能怎么解决
这个问题？
(再提示：Spark的loss function有啥区别？）
还有一些罗嗦的错就不说了， 不影响这个程序运行。
书的作者对tensorflow完全没有概念。这书的tensorflow
代码最好完全不要看。
我其实也调了一个钟头。虽然自己写代码没问题，
要找别人代码里的坑还是很难。
所以什么事物都是又两面性的，TF比较抽象，不好学。这本是个缺点，但是又是机会。比如keras都要进TF的repo了。keras一些high-level APIs有错误很久了（不是bug），直到最近才fix。那个作者也是自以为是SB一个.
Y_predicted 是Tensor("add:0", shape=(25, 1), dtype=float32)。 我用
Y_predicted = tf.reshape(Y_predicted, [25])
好像loss overflow了。不知怎么改Cost 函数
我刚看这些东西， Java比较熟。 Python仅初级水平。
reduce_sum会导致你的gradient和minibatch size相关，以至于
需要根据不同的minibatch size调整learning_rate。
用reduce_mean没这个问题。
2. mean(sqr(error)) vs sqrt(mean(sqr(error)))
和上面的相似，前者的问题是需要根据error绝对值调整learning_rate。
error太大甚至会溢出。
上面这两个都是数学上等价，但是实现上的坑。
你把这两个改了， 用learning_rate = 0.01，隔1000个
iteration打印状态，就能看到正常收敛了。
def loss(X, Y):
Y_predicted = inference(X)
print(Y_predicted)
Y_predicted = tf.reshape(Y_predicted, [25])
print(Y)
print(Y_predicted)
print (Y-Y_predicted)
return tf.sqrt(tf.reduce_mean(tf.squared_difference(Y, Y_predicted)))
training_steps = 100000
结果是：
w= [[ 0.40486234]
[ 5.21126223]] b= 79.0806
我还得仔细琢磨一下这是怎么“数学等价”的。 还有一点觉得糊涂，这怎么需要这么
多steps 啊。
不过， 我觉得自己当时只是好奇看看Spark ML能不能很好地做线性回归。结果这一试
， 学了好多。多谢大牛们。。。你们真的很厉害。
有点偏差。
数学等价就是一个的最优解也是另一个的最优解。
精确的最小二乘法不应该有什么大问题。前面就是叠加。最后一步
3*3矩阵求逆那步用一下cholesky就够了。他的数很少。
若是近似方法，这个作者给的数据集太小。估计iid什么的也没测。
所以可能会对参数敏感。
而且有可能是sgd. 可能还没收敛。
【 在 guvest (我爱你老婆Anna) 的大作中提到: 】
: 应该就是一个是精确的最小二乘法。另一个是梯度或者别的办法近似求解？
: 精确的最小二乘法不应该有什么大问题。前面就是叠加。最后一步
: 3*3矩阵求逆那步用一下cholesky就够了。他的数很少。
: 若是近似方法，这个作者给的数据集太小。估计iid什么的也没测。
: 所以可能会对参数敏感。
: : 这么快就放弃了？ 你那个tensorflow的例子我已經调通了。
: : 实在错的太离谱了。这种垃圾repository竟然有81个星我也是醉了。
: : 想听的发包子过来，半个钟头后我给你们分析。
: : Update:
: : 这个竟然是一本书的配套代码，书要卖$23。突然我就觉得
: ...................
少人是看了两眼就加星？
还有fork，有多少fork的实际从来没碰过？
应该写个程序统计一下
【 在 wdong (万事休) 的大作中提到: 】
: 这么快就放弃了？ 你那个tensorflow的例子我已經调通了。
: 实在错的太离谱了。这种垃圾repository竟然有81个星我也是醉了。
: 想听的发包子过来，半个钟头后我给你们分析。
: Update:
: 这个竟然是一本书的配套代码，书要卖$23。突然我就觉得
: job security暴涨了。这种书卖越多越好。大家不要给它
: 提交补丁，最好初学者都死在这书上，我们老司机就安全了。
差（w= [[ 0.39436]
[ 5.20597]] b= 80.0349）（比较SparkML和Excel的一个包）。
我又试了AdamOptimizer （原来是GDOptimizer）， 结果和上面的SparkML(最小二乘法，我没试它的GD法）和Excel的一致w= [[ 0.41736]
[ 5.2165]] b= 79.98。这么看来， GD方法是不是对这个问题不太好？