TensorFlow 模拟线性回归代码样例

最新推荐文章于 2024-08-20 09:50:45 发布

y一日之寒j

最新推荐文章于 2024-08-20 09:50:45 发布

阅读量489

点赞数 1

分类专栏：深度学习文章标签： tensorflow

本文链接：https://blog.csdn.net/qq_31257541/article/details/78159636

版权

深度学习专栏收录该内容

2 篇文章 0 订阅

订阅专栏

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

    #1 构造待模拟线性回归的点
    num_points = 10000
    vector_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)
        vector_set.append([x1, y1])
    x_data = [v[0] for v in vector_set]
    y_data = [v[1] for v in vector_set]
    #2 定义计算框架
    ##2.1 定义拟合函数
    w = tf.Variable(tf.random_uniform([1], -1.0, 1.0), name="w")
    b = tf.Variable(tf.zeros([1]), name="b")
    y = w * x_data + b

    ##2.2 定义loss函数
    loss = tf.reduce_mean(tf.square(y - y_data) * 1.0, name="lose")
    ##2.3 定义优化器梯度下降法
    optimizer = tf.train.GradientDescentOptimizer(0.5)
    ##2.4 定义训练目标
    train = optimizer.minimize(loss, name='train')

    #3 迭代计算进行训练
    init = tf.global_variables_initializer()
    with tf.Session() as sess:
        sess.run(init)
        print("w=", sess.run(w), ", b=", sess.run(b), ", loss=", sess.run(loss))

        for _ in range(100):
            sess.run(train)
            print("w=", sess.run(w), ", b=", sess.run(b), ", loss=", sess.run(loss))
        ##这里增加了一个步骤，将拟合出的函数显示到坐标图上
        plt.scatter(x_data, y_data, c="r")
        plt.plot(x_data, sess.run(w) * x_data + sess.run(b))
    plt.show()