深度学习-tensorflow学习

利用tensorflow解决线性回归问题

1、核心步骤

	1)准备数据集
	2)创建模型
	3)训练模型
	4)进行预测

2、实例

	本例通过人工生成数据集，由y=2*x+1+一个噪声生成，噪声的最大幅值设为0.5。可以利用该数据集来拟合线性函数：y=2*x+1。
	1）创建数据集
	%matplotlib inline
	#导入响应库
	import numpy as n
	import tensorflow as tf
	import matplotlib.pyplot as p
	x_data=n.linspace(-1,1,200)
	#对应的y值
	y_data=2*x_data+1.0+n.random.randn(*x_data.shape)*0.5
	2)构建模型
	x=tf.placeholder("float",name="x")
	y=tf.placeholder("float",name="y")
	#创建变量
	w=tf.Variable(1.0,name="w0")
	b=tf.Variable(0.0,name="b0")
	#创建模型,此时即定义模型函数
	def model(x,w,b):
		 return tf.multiply(x,w)+b
	pre=model(x,w,b)
	3）训练模型
	#设置训练参数
	train_num=10
	learn_rate=0.03
	#定义损失函数,采用MSE作为损失函数
	lossfunc=tf.reduce.mean(tf.square(y-pre))
	#定义优化器,tensorflow中的优化器已定义了训练参数的更新，无需自定义
	optimizer=tf.train.GrandientDescentOptimizer(learn_rate).minimize(lossfunc)
	#创建会话
	s=tf.Session()
	init=tf.global_variables_initalizer()
	s.run(init)
	#迭代训练
	for n in range(train_num):
		for x1,y1 in zip(x_data,y_data):
			_,loss=s.run([optimizer,lossfunc],feed_dict{x:x1,y:y1})	
	#显示训练的最佳参数
	s.run(w)
	s.run(b)
	#显示结果图像
	plt.scatter(x_data,y_data,label='orign data')
	plt.plot(x_data,x_data*s.run(w)+s.run(b),label='learn line',color='r')
	s.close()