利用Tensorflow构建一个线性回归模型。
第一,我们构建一个目标方程:
y=2x
# 构建一个方程 trY = 2 * trX,并且加入一些随机干扰项
trX = np.linspace(-1, 1, 101)trY = 2 * trX + np.random.rand(*trX.shape) * 0.123
第二,我们需要创建一些变量和占位符,在Tensorflow计算过程中会使用到。
# 创建两个占位符,数据类型是 tf.float32
X = tf.placeholder(tf.float32)
Y = tf.placeholder(tf.float32)
# 创建一个变量系数 w , 最后训练出来的值,应该接近 2
w = tf.Variable(0.0, name = "weights")
第三,我们构建需要优化的模型:y_model = w*x。
y_model = tf.mul(X, w)
第四,我们定义损失函数和梯度下降方法来训练我们的模型。
# 定义损失函数 (Y - y_model)^2
cost = tf.square(Y - y_model)
# 定义学习率learning_rate = 0.01
# 使用梯度下降来训练模型,学习率为 learning_rate , 训练目标是使损失函数最小
train_op = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)
完整代码,如下:
#!/usr/bin/env python
# -*- coding: utf-8 -*-
import numpy as np
import tensorflow as tf
# 构建一个方程 trY = 2 * trX,并且加入一些随机干扰项
trX = np.linspace(-1, 1, 101)
trY = 2 * trX + np.random.rand(*trX.shape) * 0.123
# 创建两个占位符,数据类型是 tf.float32
X = tf.placeholder(tf.float32)
Y = tf.placeholder(tf.float32)
# 创建一个变量系数 w , 最后训练出来的值,应该接近 2
w = tf.Variable(0.0, name = "weights")
y_model = tf.mul(X, w)
# 定义损失函数 (Y - y_model)^2
cost = tf.square(Y - y_model)
# 定义学习率
learning_rate = 0.01
# 使用梯度下降来训练模型,学习率为 learning_rate , 训练目标是使损失函数最小
train_op = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)
with tf.Session() as sess:
# 初始化所有的变量
init = tf.initialize_all_variables() sess.run(init)
# 对模型训练100次
for i in xrange(100):
for (x, y) in zip(trX, trY):
sess.run(train_op, feed_dict = {X: x, Y: y})
# 输出 w 的值
print sess.run(w)