利用python和TensorFlow解决线性回归问题

本文示例的模块版本：
python 3.6
tensorflow 1.15（会有很多警告，但不妨碍运行。另2.0很坑，API都变了T-T）

本文主要借鉴并综合了以下两个博客的内容（样本生成和流图构建训练），并在其基础上绘制了拟合后的直线和“训练次数-代价函数值”曲线，可更直观的观察训练效果：

https://www.cnblogs.com/xianhan/p/9090426.html

https://www.cnblogs.com/selenaf/p/9102398.html

具体步骤如下：

步骤1.在很多情况下，初学者都没有样本库，一般可自建样本库。使用random函数随机初始化样本库：

num_points=1000  # 生成的样本数 vectors_set=[] # 初始化样本集，为空 for i in range(num_points):     x1=np.random.normal(0.0,0.55)   #横坐标，进行随机高斯处理化，以0为均值，以0.55为标准差     y1=x1*0.1+0.3+np.random.normal(-0.03,0.03)   #纵坐标，数据点在y1=x1*0.1+0.3上小范围浮动 vectors_set.append([x1,y1])   # 将样本集分为输入集x_data和输出集y_data x_data=[v[0] for v in vectors_set] y_data=[v[1] for v in vectors_set]   # 绘制散点图，查看生成样本的分布情况 plt.scatter(x_data,y_data,c='r') plt.show()

 

步骤2.建立计算流图，包含“假设函数”“代价函数”和“训练函数”。如下，训练函数为梯度下降：

x = tf.placeholder(tf.float32) W = tf.Variable(tf.zeros([1])) b = tf.Variable(tf.zeros([1])) y_ = tf.placeholder(tf.float32)   y = W * x + b   lost = tf.reduce_mean(tf.square(y_-y)) # 设置代价函数 optimizer = tf.train.GradientDescentOptimizer(0.01)  # 设置梯度下降及其步长0.01 train_step = optimizer.minimize(lost)

 

步骤3.初始化流图，主要是初始化运行环境。如：

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

 

步骤4.开始训练：向占位符中输入数据，使用sess.run()方法进行训练。如下：

x_plot=[] y_plot=[] steps = 2000  # 训练的步数 for i in range(steps):     xs = x_data     ys = y_data     feed = { x: xs, y_: ys }  # 向占位符中输入数据     sess.run(train_step, feed_dict=feed)     if i % 50 == 0 :         print("After %d iteration:" % i)         # print(xs,ys)         print("W: %f" % sess.run(W))  # 查看当前训练的W值         print("b: %f" % sess.run(b))         print("lost: %f" % sess.run(lost, feed_dict=feed))         if i>200:             x_plot.append(i)             y_plot.append(sess.run(lost, feed_dict=feed))

 

步骤5.绘制“训练次数-代价函数值”曲线，观察训练的收敛趋势。如下：

x_result=[-2,2] W_result=sess.run(W) b_result=sess.run(b) y_result=[] for x_temp in x_result:  # 如果直接赋值y_result=x_result*W+b，则y_result类型为Tensor，不能直接打印     y_result.append(x_temp*W_result+b_result) plt.subplot(1,2,1) plt.scatter(x_data,y_data,c='r') plt.plot(x_result,y_result,'-y') plt.subplot(1,2,2) plt.plot(x_plot,y_plot,'-') plt.show()

 

输出结果大致如下：

打印结果（最后一次）： After 1950 iteration: W: 0.102901 b: 0.270892 lost: 0.000836