TensorFlow-Examples中的线性回归实现详解-优快云博客

本文链接：https://blog.youkuaiyun.com/gitblog_00420/article/details/148325197

TensorFlow-Examples中的线性回归实现详解

TensorFlow-Examples TensorFlow Tutorial and Examples for Beginners (support TF v1 & v2) 项目地址: https://gitcode.com/gh_mirrors/te/TensorFlow-Examples

线性回归基础概念

线性回归是机器学习中最基础的算法之一，用于建立输入变量(X)和输出变量(Y)之间的线性关系模型。其数学表达式为：Y = WX + b，其中W代表权重(weight)，b代表偏置(bias)。我们的目标是通过训练数据找到最优的W和b值，使得预测值与真实值之间的误差最小。

TensorFlow实现解析

1. 数据准备

示例中使用了一组简单的二维数据作为训练集：

train_X = [3.3,4.4,5.5,...]  # 输入特征
train_Y = [1.7,2.76,2.09,...] # 对应标签

2. 构建计算图

TensorFlow采用计算图的方式组织运算：

# 定义占位符作为输入节点
X = tf.placeholder("float")
Y = tf.placeholder("float")

# 初始化模型参数
W = tf.Variable(rng.randn(), name="weight")  # 随机初始化权重
b = tf.Variable(rng.randn(), name="bias")   # 随机初始化偏置

# 构建线性模型
pred = tf.add(tf.multiply(X, W), b)

3. 定义损失函数和优化器

使用均方误差(MSE)作为损失函数，梯度下降法作为优化算法：

# 均方误差损失
cost = tf.reduce_sum(tf.pow(pred-Y, 2))/(2*n_samples)

# 梯度下降优化器
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)

4. 训练过程

训练过程通过会话(Session)执行：

with tf.Session() as sess:
    sess.run(init)  # 初始化变量
    
    for epoch in range(training_epochs):
        for (x, y) in zip(train_X, train_Y):
            sess.run(optimizer, feed_dict={X: x, Y: y})
        
        # 定期输出训练信息
        if (epoch+1) % display_step == 0:
            c = sess.run(cost, feed_dict={X: train_X, Y:train_Y})
            print("Epoch:", '%04d' % (epoch+1), "cost=", "{:.9f}".format(c), \
                "W=", sess.run(W), "b=", sess.run(b))

5. 结果可视化

使用matplotlib绘制原始数据点和拟合直线：

plt.plot(train_X, train_Y, 'ro', label='Original data')
plt.plot(train_X, sess.run(W) * train_X + sess.run(b), label='Fitted line')
plt.legend()
plt.show()

6. 模型测试

使用测试集评估模型性能：

test_X = [6.83, 4.668, 8.9,...]
test_Y = [1.84, 2.273, 3.2,...]

testing_cost = sess.run(
    tf.reduce_sum(tf.pow(pred - Y, 2)) / (2 * test_X.shape[0]),
    feed_dict={X: test_X, Y: test_Y})