tensorflow实现线性回归--My way of ML13

首先回顾一下什么是线性回归ML12

#思维导图

注意：

代码中可以自己构建数据，但是要是tensor的变量形式，要初始化变量

代码：

import tensorflow as tf
import numpy as np


def linnergression(data):
    """
    线性回归练习,接收处理两个特征值的样本
    :return: None
    """
    # 分割数据
    x_train = data[:, 0:2]
    y_trian = data[3]

    # 建立线性回归模型，两个权重，一个偏置
    weight = tf.Variable(tf.random_normal(shape=[2, 1], mean=0.0, stddev=0.25), name="w")

    bios = tf.Variable(0.0, name="b")

    # 计算方差
    y_predict = tf.matmul(x_train, weight) + bios

    loss = tf.reduce_mean(tf.square(y_trian - y_predict))

    # 梯度下降
    train_op = tf.train.GradientDescentOptimizer(learning_rate=0.00005).minimize(loss)

    # 初始化变量
    init_op = tf.global_variables_initializer()

    # 运行
    with tf.Session() as sess:
        sess.run(init_op)
        # print("第1次权重是%f，偏置是%f" % ( weight.eval(), bios.eval()))
        for i in range(20):
            sess.run(train_op)
            print(sess.run(weight), sess.run(bios))

    return None


if __name__ == '__main__':
    # 创建二维测试数据
    data = tf.Variable(tf.random_normal(shape=[100, 2], stddev=0.2, mean=5), name="data")

    # 初始化变量
    init_op = tf.global_variables_initializer()

    # 上下文环境
    with tf.Session() as sess:
        sess.run(init_op)

        sess.run(linnergression(data))

运行结果：

这里的学习率是超参数，调节一下改变很大，可以自己动手试试。

author ：specyue@mail.ustc.edu.cn 欢迎交流