使用TensorFlow和梯度下降算法训练线性模型

最新推荐文章于 2024-12-08 00:04:16 发布

原创最新推荐文章于 2024-12-08 00:04:16 发布 · 414 阅读

0 ·

CC 4.0 BY-SA版权

机器学习专栏收录该内容

17 篇文章

订阅专栏

本文介绍了在Python 3.6和TensorFlow 1.8.0环境下，通过PyCharm进行线性模型的训练。线性模型公式为y=Weights*x+biases，初始权重和偏置随机生成。采用梯度下降算法，逐步调整Weights和biases，使其接近真实模型的参数0.1和0.3，从而减少预测误差。经过201次训练，模型参数已接近真实值，达到训练目标。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

环境：PyCharm 2.018.1.3 x64 ，Python 3.6 ，TensorFlow version:1.8.0

线性模型为：y=Weights*x+biases；

真实模型：y_=0.1*x+0.3，Weights_=0.1，biases_=0.3；

预测模型：y=Weights*x+biases，Weights的初值和biases的初值随机生成；

计算y_和y的误差，并使用梯度下降算法修正预测模型中的Weights值和biases值，随着训练次数的增加，这个两个值不断接近真实值（Weights接近0.1，biases接近0.3），从而误差也不断减少，当预测值非常接近真实值时，该模式就可视为训练完成。

当训练次数到201次时，Weights接近0.1，biases接近0.3，如下图示。

训练结果：

代码如下：

import tensorflow as tf
import numpy as np

#create data
x_data=np.random.rand(100).astype(np.float32)#随机产生100个float32的数据作为输入数据
y_data=x_data*0.1+0.3#真实值

#搭建模型
Weights=tf.Variable(tf.random_uniform([1],-1,0,1.0))#随机生成Weights初值，1维结构，介于[-1,1]之间
biases=tf.Variable(tf.zeros([1]))#随机生成biases初值，一维结构，值为0

y=Weights*x_data+biases#预测值

#计算误差
loss=tf.reduce_mean(tf.square(y-y_data))

#传播误差
#使用梯度下降算法减少误差
optimizer=tf.train.GradientDescentOptimizer(0.5)#0.5为梯度下降算法学习效率，介于[0,1]之间
train=optimizer.minimize(loss)

#训练
init=tf.global_variables_initializer()
sess=tf.Session()
sess.run(init)#激活模型
print("step    Weights     biases")
for step in range(201):
    sess.run(train)#开始训练
    if step % 20 ==0:
        print(step,sess.run(Weights),sess.run(biases))

学自 莫烦PYTHON