TensorFlow入门教程（3）

最新推荐文章于 2024-01-22 11:11:39 发布

theeternal

最新推荐文章于 2024-01-22 11:11:39 发布

阅读量442

点赞数

文章标签： api tensorflow 人工智能-神经网络算法 python

本文链接：https://blog.youkuaiyun.com/theeternal/article/details/78775207

版权

本文介绍了如何使用TensorFlow实现线性回归模型。通过具体的代码示例，详细讲解了从模型初始化到训练过程的每一步操作，并展示了如何利用梯度下降优化器调整参数以最小化损失函数。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

接上文TensorFlow入门教程（2）
训练（tf.train API）
tensorflow提供了优化器（optimizers）来慢慢改变每个变量，以使损失函数最小化。最简单的优化器是梯度下降（gradient descent），它根据损失函数相对于该变量的导数大小来修改参数值。Tensorflow可以使用方法tf.gradients自动的为给定模型计算导数。

optimizer = tf.train.GradientDescentOptimizer(0.01)
train = optimizer.minimize(loss)
sess.run(init)
for i in range(1000):
    sess.run(train,{x:[1,2,3,4],y:[0,-1,-2,-3]})
print(sess.run([W,b]))

输出为：

[array([-0.9999969], dtype=float32), array([ 0.99999082], dtype=float32)]

线性回归完整代码
至此，我们已经成功完成了一次机器学习，虽然只是简单的线性回归。在这里贴一下完整的线性回归代码：

import tensorflow as tf

sess = tf.Session()

W = tf.Variable([.3],dtype=tf.float32)
b = tf.Variable([-.3],dtype=tf.float32)
x = tf.placeholder(tf.float32)
linear_model = W*x+b

init=tf.global_variables_initializer()
sess.run(init)

y = tf.placeholder(tf.float32) 
squared_deltas = tf.square(linear_model-y) 
loss = tf.reduce_sum(squared_deltas) 
print(sess.run(loss,{x:[1,2,3,4],y:[0,-1,-2,-3]})) 

fixW = tf.assign(W,[-1.])
fixb = tf.assign(b,[1.])
sess.run([fixW,fixb])
print(sess.run(loss,{x:[1,2,3,4],y:[0,-1,-2,-3]}))

optimizer = tf.train.GradientDescentOptimizer(0.01)
train = optimizer.minimize(loss)
sess.run(init)
for i in range(1000):
    sess.run(train,{x:[1,2,3,4],y:[0,-1,-2,-3]})
print(sess.run([W,b]))

writer = tf.summary.FileWriter('D:/ten', tf.get_default_graph())
writer.close()

结果如下：

23.66
0.0
[array([-0.9999969], dtype=float32), array([ 0.99999082], dtype=float32)]

在tensorboard中视图如下：

至此我们已经能使用TensorFlow进行最简单的机器学习操作——线性回归了。

进一步学习点这
TensorFlow新手实战破验证码