一 拟合直线
这里先用numpy创建一些数据点x,然后计算出出标签y(加了一些正态分布的随机点),最后用tensorflow去拟合这些点。
代码以及图
1.构建点x和标签y
import numpy as np
num_points = 1000
vectors_set = []
for i in xrange(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])
x_data = [v[0] for v in vectors_set]
y_data = [v[1] for v in vectors_set]
2.画出原始图
import matplotlib.pyplot as plt
plt.plot(x_data, y_data, 'ro', label='Original data')
plt.legend()
plt.show()
3.构建y=w*x+b,并用梯度下降法优化w和b,并输出最终的w与b的值
import tensorflow as tf
W = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
b = tf.Variable(tf.zeros([1]))
y = W * x_data + b
loss = tf.reduce_mean(tf.square(y - y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)
init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)
for step in xrange(8):
sess.run(train)
print step, sess.run(W), sess.run(b)
7 [ 0.05428887] [ 0.30008858]
4.画出拟合直线
plt.plot(x_data, y_data, 'ro')
plt.plot(x_data, sess.run(W) * x_data + sess.run(b))
plt.legend()
plt.show()
二 拟合未知模型
这里也是构建了一些点x,然后计算出标签y=3*x*x+1,然后构建一个y_ = w1*x+w2*x*x+w3*x*x*x+b的模型去拟合它,但是这个模型不是很好,最高指数只写到3次方,所以效果就不是很好。
代码及图
1.构建数据x以及标签y
import numpy as np
x = np.random.rand(100).astype(np.float32)
y = 3*x*x+1
2.画出原始图
import matplotlib.pyplot as plt
plt.plot(x,y,'ro')
plt.legend()
plt.show()
3.计算模型参数
import tensorflow as tf
w1 = tf.Variable(tf.random_uniform([1],-1.0,1.0))
w2 = tf.Variable(tf.random_uniform([1],-1.0,1.0))
w3 = tf.Variable(tf.random_uniform([1],-1.0,1.0))
b = tf.Variable(tf.zeros([1]))
y_ = w1*x+w2*x*x+w3*x*x*x+b
loss = tf.reduce_mean(tf.square(y - y_))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)
init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)
for step in xrange(100):
sess.run(train)
print step, sess.run(w1),sess.run(w2),sess.run(w3),sess.run(b)
99 [ 1.26188886] [ 0.42472449] [ 1.46034849] [ 0.86527926]
4.画出拟合曲线
plt.plot(x,y,'ro')
y__ = sess.run(w1)*x+sess.run(w2)*x*x+sess.run(w3)*x*x*x+sess.run(b)
plt.plot(x,y__)
# plt.plot(x,0.37588856*x+2.09157467*x*x+0.59096539*x*x*x+0.9672721)
plt.legend()
plt.show()
这里不知道为啥画出来的是这个样子,直接print y__输出的维度跟x的维度是一样的呀!