TensorFlow总结（1）——线性回归(CPU)，附代码

TensorFlow 线性回归(CPU)

实验目的

1.掌握使用TensorFlow进行线性回归
2.掌握TensorFlow的基本运行流程

实验原理

线性回归是用来度量变量间关系的统计技术。该算法的实现并不复杂，但可以适用于很多情形。正是因为这些原因，以线性回归作为开始学习TensorFlow的开始。
不管在两个变量（简单回归）或多个变量（多元回归）情形下，线性回归都是对一个依赖变量，多个独立变量xi，一个随机值b间的关系建模。利用TensorFlow实现一个简单的线性回归模型：分析一些代码基础及说明如何在学习过程中调用各种重要组件，比如cost function或梯度下降算法。

实验结果

（1）程序关键代码

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
import os
learning_rate=0.01
training_epochs=1000
display_step=50
train_X=np.asarray([3.3,4.4,5.5,6.71,6.93,4.168,9.779,6.182,7.59,2.167,7.042,10.791,5.313,7.997,5.654,9.27,3.1])
train_Y=np.asarray([1.7,2.76,2.09,3.19,1.694,1.573,3.366,2.596,2.53,1.221,2.827,3.465,1.65,2.904,2.42,2.94,1.3])
n_samples=train_X.shape[0]
X=tf.placeholder("float")
Y=tf.placeholder("float")
W=tf.Variable(np.random.randn(),name="weight")
b=tf.Variable(np.random.randn(),name="bias")
pred=tf.add(tf.multiply(X,W),b)
cost=tf.reduce_sum(tf.pow(pred-Y,2))/(2*n_samples)
optimizer=tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)
init=tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    for epoch in range(training_epochs):
        for (x, y) in zip(train_X, train_Y):
            sess.run(optimizer,feed_dict={X:x,Y:y})
            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))
            plt.plot(train_X, train_Y, 'ro', label='Original data')
            plt.plot(train_X, sess.run(W) * train_X + sess.run(b), label='Fitting line')
            plt.legend()
            plt.show()

（2）运行结果截屏