Tensorflow 之线性回归

最新推荐文章于 2021-03-04 22:52:28 发布

原创最新推荐文章于 2021-03-04 22:52:28 发布 · 207 阅读

0 ·

CC 4.0 BY-SA版权

深度学习同时被 3 个专栏收录

6 篇文章

订阅专栏

机器学习

4 篇文章

订阅专栏

python

1 篇文章

订阅专栏

本文通过生成符合特定线性关系的数据集，并利用TensorFlow框架实现了一个简单的线性回归模型。模型通过梯度下降法逐步调整权重和偏置项，以最小化预测值与真实值之间的均方误差。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt

#get 100 pointer meet y=0.1x+0.3
num_points=100
vectors_set=[]
for i in range(num_points):
    x1=np.random.normal(0.0,0.55)
    y1=x1*0.1+0.3+np.random.normal(0.0,0.03)
    vectors_set.append([x1,y1])
# print vectors_set
#生成一些样本
x_data=[v[0] for v in vectors_set]# v[0] 第一维　v[1]第二维
y_data=[v[1] for v in vectors_set]

plt.scatter(x_data,y_data,c='b')
plt.show()

这里写图片描述

#生成１维的w矩阵，取值是[-1,1]之间的随机数
W=tf.Variable(tf.random_uniform([1],-1.0,1.0),name='W')#在－１～１之间随机取一个一维向量
# 生成１维的b矩阵，初始值为０
b=tf.Variable(tf.zeros([1]),name='bx')
#经过计算得出预估值y
y=W*x_data+b

#以预估值和实际值之间的均方误差作为损失
loss=tf.reduce_mean(tf.square(y-y_data),name='loss')#最小二乘法
#构造优化器，采用梯度下降法来优化参数
optimizer=tf.train.GradientDescentOptimizer(0.5)
#采用优化器进行优化，训练的过程就是最小化这个误差值
train1=optimizer.minimize(loss,name='train')

#不可缺少的初始化操作
sess=tf.Session()
init=tf.global_variables_initializer()
sess.run(init)

# 初始化的Ｗ和b
print('W=',sess.run(W),'b=',sess.run(b),' loss=',sess.run(loss))
print
#执行20次训练
for step in range(20):
    print step
    sess.run(train1)
    #输出训练好的Ｗ和b
    print('W=',sess.run(W),'b=',sess.run(b),'loss=',sess.run(loss))

('W=', array([0.21605301], dtype=float32), 'b=', array([0.], dtype=float32), ' loss=', 0.09204009)

0
('W=', array([0.18565592], dtype=float32), 'b=', array([0.29582295], dtype=float32), 'loss=', 0.0027480875)
1
('W=', array([0.16101024], dtype=float32), 'b=', array([0.2961868], dtype=float32), 'loss=', 0.0017186044)
2
('W=', array([0.14389431], dtype=float32), 'b=', array([0.29648182], dtype=float32), 'loss=', 0.0012220428)
3
('W=', array([0.13200717], dtype=float32), 'b=', array([0.29668668], dtype=float32), 'loss=', 0.0009825302)
4
('W=', array([0.12375144], dtype=float32), 'b=', array([0.296829], dtype=float32), 'loss=', 0.0008670032)
5
('W=', array([0.11801776], dtype=float32), 'b=', array([0.29692778], dtype=float32), 'loss=', 0.00081127963)
6
('W=', array([0.11403567], dtype=float32), 'b=', array([0.2969964], dtype=float32), 'loss=', 0.0007844019)
7
('W=', array([0.11127008], dtype=float32), 'b=', array([0.2970441], dtype=float32), 'loss=', 0.00077143766)
8
('W=', array([0.10934936], dtype=float32), 'b=', array([0.29707718], dtype=float32), 'loss=', 0.0007651844)
9
('W=', array([0.1080154], dtype=float32), 'b=', array([0.2971002], dtype=float32), 'loss=', 0.0007621682)
10
('W=', array([0.10708895], dtype=float32), 'b=', array([0.29711616], dtype=float32), 'loss=', 0.00076071336)
11
('W=', array([0.10644552], dtype=float32), 'b=', array([0.29712725], dtype=float32), 'loss=', 0.0007600116)
12
('W=', array([0.10599866], dtype=float32), 'b=', array([0.29713494], dtype=float32), 'loss=', 0.0007596732)
13
('W=', array([0.1056883], dtype=float32), 'b=', array([0.2971403], dtype=float32), 'loss=', 0.00075950986)
14
('W=', array([0.10547276], dtype=float32), 'b=', array([0.297144], dtype=float32), 'loss=', 0.00075943116)
15
('W=', array([0.10532306], dtype=float32), 'b=', array([0.2971466], dtype=float32), 'loss=', 0.00075939303)
16
('W=', array([0.1052191], dtype=float32), 'b=', array([0.29714838], dtype=float32), 'loss=', 0.0007593748)
17
('W=', array([0.10514689], dtype=float32), 'b=', array([0.29714963], dtype=float32), 'loss=', 0.0007593659)
18
('W=', array([0.10509674], dtype=float32), 'b=', array([0.2971505], dtype=float32), 'loss=', 0.0007593617)
19
('W=', array([0.10506192], dtype=float32), 'b=', array([0.2971511], dtype=float32), 'loss=', 0.0007593596)

画出拟合图线

plt.scatter(x_data,y_data,c='y')
plt.plot(x_data,sess.run(W)*x_data+sess.run(b))
plt.show()

这里写图片描述