2.tensorflow 线性回归模型 matplot显示

#线性回归模型示例
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt

#随机生成1000个样本点，围绕在y=0.1x+0.3直线周围
num_points = 1000
vectors_set = []
for i in range(num_points):
    x1 = np.random.normal(0.0,0.55)
    y1 = x1 * 0.1 + 0.3 + np.random.normal(0.0,0.03)
    vectors_set.append([x1,y1])
#生成一些样本
x_data = [v[0] for v in vectors_set]
y_data = [v[1] for v in vectors_set]

plt.scatter(x_data,y_data,c='r')
plt.show()

#生成1维W矩阵，取值为[-1,1]之间的随机数
W = tf.Variable(tf.random_uniform([1],-1.0,1.0),name='W')
#生成1维的b矩阵，初始值为0
b = tf.Variable(tf.zeros([1]),name='b')
#计算得出预估值y
y = W * x_data + b

#以预估值y和实际值y_data之间的均方误差作为损失值
loss = tf.reduce_mean(tf.square(y - y_data),name = 'loss')
#采用梯度下降法优化参数(学习率为0.5)
optimizer = tf.train.GradientDescentOptimizer(0.5)
#训练的过程就是最小化这个误差值
train = optimizer.minimize(loss,name='train')
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
#打印初始化的W和b值
print("W=",sess.run(W),"b=",sess.run(b),"loss=",sess.run(loss))

#执行10次训练
for step in range(10):
    sess.run(train)
    print("W=",sess.run(W),"b=",sess.run(b),"loss=",sess.run(loss))
    #显示
    plt.scatter(x_data,y_data,c='r')
    plt.plot(x_data,sess.run(W)*x_data+sess.run(b))
    plt.xlabel('x')
    plt.xlim(-2,2)
    plt.ylabel('y')
    plt.ylim(0.1,0.6)
    plt.show()

首先会弹框显示样本：

后面会显示若干次拟合效果（训练10次）：

迭代20次能取得更好的效果。