梯度下降初级小程序

最新推荐文章于 2024-05-28 07:45:00 发布

原创最新推荐文章于 2024-05-28 07:45:00 发布 · 279 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#梯度下降

tensorflow 专栏收录该内容

3 篇文章

订阅专栏

本篇博客记录了Python新手使用TensorFlow进行线性回归模型训练的过程。通过梯度下降法调整模型参数k和b，使它们逐渐逼近预设值0.1和0.2。文章详细展示了如何构建线性模型、定义损失函数以及训练模型。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本人python新手一枚，和b站up主学习tensorflow编程，想用csdn来记录自己平时编的代码。不喜勿看勿喷，谢谢，发现错误也请指出，多谢啦~

总结：训练后的k和b会收敛趋近于0.1和0.2,与前期设置的参数无关

'''梯度下降
import tensorflow as tf
import numpy as np
#使用numpy生成100个随机点
x_data = np.random.rand(100)
y_data = x_data*0.1+0.2
#构造线性模型
#下面的样本 ，上面的y_data = x_data*0.1+0.2是模型
b = tf.Variable(0.)
k = tf.Variable(0.)
y = k*x_data+b
#二次代价函数 y_data为真实值，y为预测值
loss  = tf.reduce_mean(tf.square(y_data-y))
#定义一个梯度下降法来进行训练的优化器 0.2是学习率
optimizer = tf.train.GradientDescentOptimizer(0.2)
#最小化代价函数
train = optimizer.minimize(loss)
init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    for step in range(201):
        sess.run(train)
        #每20次输出一下
        if step%20 == 0 :
            print(step,sess.run([k,b]))
'''

视频教程大概后20分钟