TensorFlow学习笔记（二）：TensorFlow实现线性回归模型

最新推荐文章于 2025-06-26 08:07:30 发布

原创

最新推荐文章于 2025-06-26 08:07:30 发布 · 3.8k 阅读

8 ·

CC 4.0 BY-SA版权

文章标签：

#TensorFlow

这篇TensorFlow学习笔记详细介绍了如何使用TensorFlow实现线性回归模型，包括涉及的API、训练与测试代码实现，并探讨了随机梯度下降与批量梯度下降的优缺点。在训练过程中遇到的问题包括Anaconda环境中matplotlib的安装以及testData的自定义编写。课后扩展部分深入讨论了两种不同的梯度下降策略及其适用场景。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、线性回归模型中所涉及到API

#导入TensorFlow包
import tensorflow as tf
#TensorFlow程序分为两个阶段：准备阶段和执行阶段
#--------------准备阶段--------------
#定义变量、定义函数、定义操作步骤等，中间隐藏着把变量转化为张量的步骤

#用tf.Variable来定义变量 
#注意：定义矩阵的写法([[],[],[]...])
a = tf.Variable([[2,3]])
b = tf.Variable([[4],[2]])

#矩阵相乘 math multiply
c = tf.matmul(a,b)

print('c----->',c)

#创建用0填充的矩阵
d = tf.zeros([2,4])

#平方
e = tf.square([2])

#平均值
f = tf.reduce_mean([1,3])

#均匀分布的随机数
g = tf.random_uniform([1,10])

#--------------执行阶段--------------
#获取一个能运行TensorFlow的session图，tf.session
#把准备阶段所定义的所有变量都放进session图里进行运行

with tf.Session() as sess:
        #初始化所有的变量
        init = tf.global_variables_initializer()
        sess.run(init)

        #用sess.run获取最终值
        print('a:',a)
        print('a =',sess.run(a))
        print('b =',sess.run(b))
        print(