tensorflow：简单实现以及数据可视化

最新推荐文章于 2024-06-23 09:35:35 发布

原创最新推荐文章于 2024-06-23 09:35:35 发布 · 700 阅读

2 ·

CC 4.0 BY-SA版权

python 同时被 2 个专栏收录

23 篇文章

订阅专栏

机器学习及人工智能

17 篇文章

订阅专栏

本文通过使用TensorFlow实现线性回归模型，演示了如何从随机生成的数据中学习最佳拟合直线的过程。文章首先介绍了数据生成及可视化的方法，随后详细展示了如何搭建线性回归模型并利用梯度下降法进行训练，最后实现了训练过程中的动态可视化效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

# coding:UTF-8
import os
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'  # 忽略不必要的警告


# 输入数据
x_data = np.random.rand(100).astype(np.float32)
noise = np.random.normal(0, 0.05, x_data.shape)
y_data = x_data * 3 + 2 + noise

# 数据可视化，输出原始数据
fig = plt.figure()
ax = fig.add_subplot(1, 1, 1)  # 参数为输出图框的编号
ax.scatter(x_data, y_data)
plt.ion()
plt.show()

# 创建结构 start

weight = tf.Variable(tf.random_uniform([1], -1, 0, 1, 0))
biases = tf.Variable(tf.zeros([1]))  # 设置 weight 和 biases的初值
y = weight * x_data + biases

loss = tf.reduce_mean(tf.square(y - y_data))  # 损失函数
optimizer = tf.train.GradientDescentOptimizer(0.7)  # 下降方法 梯度下降 参数表示训练效率,通常小于1，实践发现参数不能太大

train = optimizer.minimize(loss)  # 优化目标，使loss最小化

init = tf.global_variables_initializer()
# 创建结构 end

# 开始训练
sess = tf.Session()
sess.run(init)
for i in range(0, 100):
    sess.run(train)
    if i % 10 == 0:
        new_weight = sess.run(weight)
        new_biases = sess.run(biases)
        print(i, new_weight, new_biases)
        # 数据可视化
        lines = ax.plot(x_data, new_weight * x_data + new_biases, 'r-', lw=5)  # r-表示红色，lw表示线的宽度
        plt.pause(0.5)
        ax.lines.remove(lines[0])