linear regression 使用TensorFlow构建 notes [满地都是坑]

Cost = tf.reduce_mean(tf.reduce_sum(tf.square(pY - Hypothesis),reduction_indices=[1]))

#reduction_indices是指沿tensor的哪些维度求和

因为矩阵乘法之后不是一个数字，是一个多层数组

所以要用reduce_sum来求和 ，mean来求平均

 

tf.matmul(pX,W) + b

矩阵乘法,mutiply不是矩阵乘法...

b是一个多层数组，因为矩阵乘法之后就算只有一项，也不是一个数字，是一个多层数组，

 

W = tf.Variable(tf.random_normal([2, 1]),dtype=tf.float32)

Variable指定数据类型的方法又不一样

用random_normal初始化

 

pX = tf.placeholder(tf.float32,[1,2])

placeholder要指定数据类型最好，容易报错，用tf.float32

  

[x,x2]

把两个数组 并在一起

 

plt.show()

show了才能现实图表

plt.figure(figsize=(20,7))
plt.subplot(1, 3, 1)

设置多图表

 

normalization

原来如果用了标准化，是要反归一化的，把标准差和均值记下来

 

np.random.randn(*x.shape)

用星号把tuple变成数组

 

range(5)

是有5个数的，0 1 2 3 4

 

定义Variable的时候，注意float和int

W = tf.Variable(0.0,name='W')

W = tf.Variable(0,name='W')

 貌似没有可以定义Variable的类型的地方，但是类型错了又会报错

 

python zip

zip函数接受任意多个（包括0个和1个）序列作为参数，返回一个tuple列表

for (xi,yi) in zip(x,y):

  

如果用element-wise来加噪声，那么就不是噪声了...全部加了同一个deviation的话

noisy = np.random.randn(*x.shape)

 

喂参数的语法，”对象“里用冒号

feed_dict = {pX : xi,pY : yi}

转载于:https://www.cnblogs.com/yummy-roast-duck/p/7140664.html