使用Tensorflow实现简单线性回归

针对波士顿房价数据集采用简单线性回归，预测最后一列给出的房价
波士顿房价数据集可从http://lib.stat.cmu.edu/datasets/boston处获取。

实现简单线性回归的具体做法

1：导入所需要的软件包
2：在神经网络中，所有的输入都线性增加，为了使训练有效，输入应该被归一化，所以这里定义一个函数来归一化输入数据
3：加载波士顿房价数据集，将其分解为X_train和Y_train，并对数据进行归一化处理
4：为训练数据声明Tensorflow占位符
5:创建Tensorflow的权重和偏置变量且初始化值为0
6：定义用于预测的线性回归模型
7：定义损失函数
8：选择梯度下降优化器
9：声明初始化操作符
10：开始计算图
11：查看结果

代码如下

#1:导入所需软件包
import tensorflow as tf
import  numpy as np
import  matplotlib.pyplot as plt
from sklearn.datasets import  load_boston

#2:在神经网络中，所有输入都线性增加，为了使训练有效，输入应该被归一化
#定义函数来归一化输入数据

tf.compat.v1.disable_eager_execution()

def normalize(X):
    ''' Normalizes the array X'''
    mean = np.mean(X)
    std = np.std(X)
    X = (X-mean)/std
    return X
#3:加载波士顿数据集
#，并将其分解为X_train,Y_train 可以对数据进行归一化处理

boston = load_boston()
X_train,Y_train = boston.data[:,5],boston.target
X_train = normalize(X_train)
n_samples = len(X_train)
#4:为训练数据声明Tensroflow占位符
X = tf.compat.v1.placeholder(tf.float32,name='X')
Y = tf.compat.v1.placeholder(tf.float32,name='Y')

#5:创建Tensorflow的权重和偏置变量且初始化为0
b = tf.compat.v1.Variable(0.0)
w = tf.compat.v1.Variable(0.0)

#6：定义用于预测的线性回归模型
Y_hat = X*w+b
#7:定义损失函数
loss = tf.compat.v1.square(Y-Y_hat,name='loss')

#8:选择梯度下降优化器
optimizer =tf.compat.v1.train.GradientDescentOptimizer(learning_rate=0.01).minimize(loss)

#9:声明初始化操作符
init_op = tf.compat.v1.global_variables_initializer()
total = []

#10 开始计算图，训练100次
with tf.compat.v1.Session() as sess:
    sess.run(init_op)
    writer = tf.compat.v1.summary.FileWriter('graphs',sess.graph)
    for i in range(100):
        total_loss = 0
        for x,y in zip(X_train,Y_train):
            l = sess.run([optimizer,loss],feed_dict={X:x,Y:y})
            total_loss+=1
            total.append(total_loss/n_samples)
            print('Epoch {0}:Loss {1}'.format(i,total_loss/n_samples))
            writer.close()
            b_value,w_value = sess.run([b,w])

        #11:查看结果

        Y_pred = X_train*w_value+b_value
        print('Done')
        plt.plot(X_train,Y_train,'bo',label = 'Real Data')
        plt.plot(X_train,Y_pred,'r',label = 'Predicted Data')
        plt.legend()
        plt.show()
        plt.plot(total)
        plt.show()

最后结果