利用tensorflow进行机器学习实例（线性回归）

通过对tensorflow基础知识学习之后，现在可以通过一个简单的例子来进行机器学习的实践了。这里以一个线性回归的例子来做。

线性回归实例

第一步：生成人工数据集

通过numpy包中的函数，我们可以随机生成想要的数据。

import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np

# 设置随机种子数
np.random.seed(5)

# 直接采用np生成等差数列，生成100个点，每个点的取值在-1~1之间
x_data = np.linspace(-1, 1, 100)

# y = 2x + 1 + 噪声， 其中，噪声的维度和x_data一致
# np.random.randn表示生成（-1，1）正态分布的数
# *x_data.shape拆分数字
y_data = 2*x_data + 1.0 + np.random.randn(*x_data.shape)*0.4

第二步：构建线性模型

x = tf.placeholder("float", name="x")
y = tf.placeholder("float", name="y")

# 定义模型
def model(x, w, b):
    return tf.multiply(x, w) + b

# 构建线性函数的斜率，变量w
w = tf.Variable(1.0, name="w0")
# 构建线性函数的截距，变量b
b = tf.Variable(0.0, name="b0")
# pred是预测值，前向计算
pred = model(x, w, b)

# 设置迭代的次数（训练轮数）
train_epoch = 10
# 学习率
learning_rate = 0.05

第三步：定义损失函数

# 定义损失函数（均方差）
loss_function = tf.reduce_mean(tf.square(y-pred))

第四步：定义优化器、最小化损失函数

# 定义梯度下降优化器
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)

第五步：训练结果可视化

sess = tf.Session()

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

for epoch in range(train_epoch):
    for xs,ys in zip(x_data, y_data):
        _, loss = sess.run([optimizer, loss_function], feed_dict={x: xs, y:ys})
    b0temp = b.eval(session=sess)
    w0temp = w.eval(session=sess)
    plt.plot(x_data, w0temp*x_data+b0temp)

迭代训练结果图形：

从上图可以看出，由于问题比较简单，只需要训练3次就已经接近收敛了。

结果查看与结果可视化

print("w:", sess.run(w))
print("b:", sess.run(b))

plt.scatter(x_data, y_data, label='Original data')
plt.plot(x_data, x_data*sess.run(w)+sess.run(b), label='Fitted line', color='r', linewidth=3)
plt.legend(loc=2)
plt.show()

打印结果：

结果可视化：

第六步：进行预测

x_test = 3.21
predict = sess.run(pred, feed_dict={x: x_test})
print("预测的值为：", predict)

target = 2.0*x_test + 1.0
print("目标值为：", target)

输出结果：

小结：

附：完整代码

import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np

# 设置随机种子数
np.random.seed(5)

# 直接采用np生成等差数列，生成100个点，每个点的取值在-1~1之间
x_data = np.linspace(-1, 1, 100)

# y = 2x + 1 + 噪声， 其中，噪声的维度和x_data一致
y_data = 2*x_data + 1.0 + np.random.randn(*x_data.shape)*0.4


x = tf.placeholder("float", name="x")
y = tf.placeholder("float", name="y")


# 定义模型
def model(x, w, b):
    return tf.multiply(x, w) + b


# 构建线性函数的斜率，变量w
w = tf.Variable(1.0, name="w0")
# 构建线性函数的截距，变量b
b = tf.Variable(0.0, name="b0")
# pred是预测值，前向计算
pred = model(x, w, b)

# 设置迭代的次数（训练轮数）
train_epoch = 10
# 学习率
learning_rate = 0.05


# 定义损失函数（均方差）
loss_function = tf.reduce_mean(tf.square(y-pred))
';ekarpo}J '
# 定义梯度下降优化器
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)

sess = tf.Session()

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

for epoch in range(train_epoch):
    for xs,ys in zip(x_data, y_data):
        _, loss = sess.run([optimizer, loss_function], feed_dict={x: xs, y:ys})
    b0temp = b.eval(session=sess)
    w0temp = w.eval(session=sess)


print("w:", sess.run(w))
print("b:", sess.run(b))

plt.scatter(x_data, y_data, label='Original data')
plt.plot(x_data, x_data*sess.run(w)+sess.run(b), label='Fitted line', color='r', linewidth=3)
plt.legend(loc=2)
plt.show()

x_test = 3.21
predict = sess.run(pred, feed_dict={x: x_test})
print("预测的值为：", predict)

target = 2.0*x_test + 1.0
print("目标值为：", target)