快捷導(dǎo)航

使用TensorFlow實(shí)現(xiàn)簡(jiǎn)單線性回歸模型

更新時(shí)間：2019年07月19日 11:17:50 作者：王勇21633012

這篇文章主要為大家詳細(xì)介紹了使用TensorFlow實(shí)現(xiàn)簡(jiǎn)單線性回歸模型，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下

本文使用TensorFlow實(shí)現(xiàn)最簡(jiǎn)單的線性回歸模型，供大家參考，具體內(nèi)容如下

線性擬合y=2.7x+0.6，代碼如下:

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
 
n = 201 # x點(diǎn)數(shù)
X = np.linspace(-1, 1, n)[:,np.newaxis] # 等差數(shù)列構(gòu)建X，[:,np.newaxis]這個(gè)是shape，這一行構(gòu)建了一個(gè)n維列向量（[1,n]的矩陣）
noise = np.random.normal(0, 0.5, X.shape) # 噪聲值，與X同型
Y = X*2.7 + 0.6 + noise # Y
 
xs = tf.placeholder(tf.float32, [None, 1]) # 下面兩行是占位符tf.placeholder(dtype, shape)
ys = tf.placeholder(tf.float32, [None, 1])
 
w = tf.Variable(1.1) # 這兩行是weight變量，bias變量，括號(hào)中是初始值
b = tf.Variable(0.2)
 
ypredict = tf.add(w*xs,b) # 根據(jù) w, b 產(chǎn)生的預(yù)測(cè)值
 
loss = tf.reduce_sum(tf.pow(ys-ypredict,2.0))/n # 損失函數(shù)，tf.reduce_sum()按某一維度元素求和，默認(rèn)為按列
 
optimizer = tf.train.GradientDescentOptimizer(0.01).minimize(loss) # 梯度下降優(yōu)化器，0.01學(xué)習(xí)率，最小化losss
 
init = tf.global_variables_initializer() # 初始化所有變量
 
with tf.Session() as sess: 
 sess.run(init) # 運(yùn)行初始化 
 for i in range (1000): # 迭代1000次 
  sess.run(optimizer, feed_dict = {xs:X,ys:Y}) # 運(yùn)行優(yōu)化器，梯度下降用到loss，計(jì)算loss需要xs, ys所以后面需要feed_dict 
  if i%50==0: # 每隔50次迭代輸出w,b,loss
     # 下面sess.run(w),sess.run(b)里面沒(méi)有feed_dict是因?yàn)榇蛴,b不需要xs,ys，而打印loss需要 
     print ("w:",sess.run(w),"\t b:", sess.run(b), "\t loss:", sess.run(loss,feed_dict={xs:X,ys:Y})) 
  
 plt.plot(X,X*sess.run(w)+sess.run(b)) # 運(yùn)行迭代之后繪制擬合曲線，這需要在sess里面運(yùn)行是因?yàn)橐玫絯,b 
 plt.scatter(X,Y) # 繪制被擬合數(shù)據(jù)（散點(diǎn)） 
 plt.show() # 繪制圖像

結(jié)果：

w: 1.1106868  b: 0.2086223 loss: 1.2682248
w: 1.5626049  b: 0.4772562 loss: 0.7024503
w: 1.8849733  b: 0.57508457 loss: 0.47280872
w: 2.1149294  b: 0.61071056 loss: 0.36368176
w: 2.278966  b: 0.6236845 loss: 0.30917725
w: 2.3959787  b: 0.6284093 loss: 0.2815788
w: 2.4794474  b: 0.6301298 loss: 0.26755357
w: 2.5389886  b: 0.63075644 loss: 0.26041925
w: 2.5814607  b: 0.6309848 loss: 0.2567894
w: 2.611758  b: 0.6310678 loss: 0.25494233
w: 2.6333694  b: 0.6310981 loss: 0.25400248
w: 2.6487865  b: 0.631109  loss: 0.2535242
w: 2.659784  b: 0.63111293 loss: 0.25328085
w: 2.6676288  b: 0.6311139 loss: 0.25315702
w: 2.6732242  b: 0.6311139 loss: 0.25309405
w: 2.6772156  b: 0.6311139 loss: 0.25306198
w: 2.6800632  b: 0.6311139 loss: 0.25304565
w: 2.6820953  b: 0.6311139 loss: 0.25303733
w: 2.6835444  b: 0.6311139 loss: 0.25303313
w: 2.684578  b: 0.6311139 loss: 0.25303096