TensorFlow构造简单的线性回归模型

最新推荐文章于 2022-03-31 00:15:36 发布

blwinner

最新推荐文章于 2022-03-31 00:15:36 发布

阅读量288

点赞数

CC 4.0 BY-SA版权

分类专栏： Tensorflow

本文链接：https://blog.youkuaiyun.com/blwinner/article/details/81252344

Tensorflow 专栏收录该内容

2 篇文章

订阅专栏

本文通过实例展示了如何使用Python和TensorFlow构建线性回归模型，包括生成随机数据、定义损失函数、应用梯度下降优化器进行参数调整，并通过可视化观察训练过程中的变化。探讨了学习率对模型收敛的影响。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

实例：构造线性回归模型

x = np.float32(np.random.normal(8, 10, [1,100]))//生成1行100列的随机数据矩阵
y = 0.5*x + 1.2 + np.random.normal(0, 0.01)//计算对应的y值
w = tf.Variable(tf.zeros([1,1]))//初始化训练的w
b = tf.Variable(tf.zeros([1]))//初始化训练的b
loss = tf.reduce_mean(tf.square(pre_y - y));//构造损失函数：均方误差
opt = tf.train.GradientDescentOptimizer(0.005)//使用优化方法：梯度下降优化
res = opt.minimize(loss)//使用优化方法：梯度下降法
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for step in range(0, 2001)://执行2001次训练，2001是为输出好看，可以输出第2000次迭代
        sess.run(res)//开始执行整个训练逻辑
        if step % 200 == 0:
            y__ = tf.matmul(w, x) + b//每200次迭代计算一次当前的输出y__和原始输出y对比
            plt.scatter(x, y, c='r')
            plt.scatter(x, sess.run(y__), c='g')
            plt.show()
            print(step,":", sess.run(w), sess.run(b))

在修改上面代码中各个参数的时候，发现了很多有趣的现象：

1）验证了正态分布：x用正态分布产生，均值是8，方差决定了x在8周围取值的聚集程度

2）y的公式和x的均值，影响了梯度下降学习率，上面代码中实际斜率0.5，如果学习率太高，比如默认的0.5，会无法收敛，所以上面用了0.005